AAAIMar, 2024

BaCon：通过均衡特征级对比学习提升非平衡半监督学习

PDF
TL;DR本论文讨论了在类别不平衡半监督学习问题中更平衡的特征分布的优势，并进一步提出了一种平衡特征层级对比学习的方法（BaCon）。该方法通过以对比学习方式直接规范实例表示的分布，达到了更好的效果。此方法在多个数据集上的综合实验证明了其有效性，并表现出比其他方法更好的鲁棒性。
semi-supervised learningclass imbalanced semi-supervised learningbalanced feature-level contrastive learninginstance-level methodfeature-level method
发现论文，激发创造
  • ABC: 辅助平衡分类器用于半监督不平衡类别学习

    本文提出了一种可扩展的类不平衡半监督学习算法，它可以有效地利用未标记的数据，同时通过引入单层的辅助平衡分类器（ABC）来缓解类别不平衡问题，并使用一种新的半监督学习技术（一致性正则化）去平衡分类器，从而在四个基准数据集上实现了最先进的性能。

    Oct, 2021

  • 基于类别感知对比半监督学习

    提出了一种名为 CCSSL 的半监督学习方法，采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性，并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。

    Mar, 2022

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • CoSSL: 基于共同学习表示和分类器的非平衡半监督学习

    本文提出了一种新颖的协同学习框架 (CoSSL)，通过分离表示学习和分类器学习来处理不平衡自监督学习。为了处理数据不平衡，我们设计了尾部特征增强 (TFE) 用于分类器学习，并且针对不同的转移测试分布进行了全面评估，实验证明我们的方法在各种不同的转移分布下都表现出优越的性能。

    Dec, 2021

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • 具有偏差自适应分类器的不平衡半监督学习

    本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法，通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差，从而提高了伪标签方法在类别不平衡情况下的性能。实验证明，该方法优于现有的基准方法。

    Jul, 2022

  • 基于插值的对比学习用于少标签半监督学习

    提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题，并设计了一种新型对比损失来引导学习网络嵌入样本，实现更好的边界决策能力，通过实验证明，与现有算法相比，该算法可提高分类准确率 5.3% 以上。

    Feb, 2022

  • BMB：用于不平衡半监督学习的平衡记忆库

    提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。

    May, 2023

  • 完美平衡：改善监督对比学习的迁移性和鲁棒性

    通过向 SupCon 添加适当加权的类条件 InfoNCE 损失和类条件自编码器，可以在 5 个标准数据集上实现从粗糙到细致的迁移，以及在 3 个数据集上实现最差组的鲁棒性提高 4.7 个点，同时在 CelebA 上达到 11.5 个点的最优表现。

    Apr, 2022

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020