Mar, 2024

超越所知：针对开放世界图学习的新颖类发现

PDF
TL;DR本论文提出了一种名为 ORAL 的开放世界图神经网络方法，用于在图中进行节点分类，并解决了图上发现新类别的挑战，通过半监督的原型学习检测类别之间的相关性，利用原型关注网络消除类别间的相关性，从而得到不同类别的区分性表示，通过对齐和组合多个堆叠的原型关注网络的标签估计生成伪标签以充分利用多尺度图特征，广泛实验证明了所提方法的有效性。
发现论文，激发创造
  • 开放世界半监督学习

    研究了在实际场景中半监督学习的一个基本局限性，即未标注的测试数据往往包含以前在标注训练数据中遇到的类。为了解决这个问题，提出了 ORCA，一种端到端的深度学习方法来处理未知类别在标注和未标注数据中的不一致性，并在图像分类数据集和单细胞注释数据集上实验，表明在 ImageNet 数据集上 ORCA 对于已知类别的改善为 25％，对于未知类别的改善为 96％。

    Feb, 2021

  • 开放式半监督新类别发现

    该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法，它是一种在多个原型上进行的渐进式双层对比学习方法，该方法由两个相互增强的部分组成。首先，介绍了一种双层对比学习方法，然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验，结果表明该方法在开放世界的情况下特别有效，特别是在已知类别和标签稀缺的情况下。

    May, 2023

  • POWN: 原型开放世界节点分类

    我们提出了一种新的端到端方法，名为 Prototypical Open-World Learning for Node Classification（POWN），它结合了图形半监督学习、自监督学习和伪标签技术，以零样本方式学习新类别的原型表示，实验证明 POWN 在基准数据集上的效果优于基准模型，准确率提高了最多 20％（小数据集）和 30％（大数据集）.

    Jun, 2024

  • 一个用于理解开放世界半监督学习的图论框架

    这篇论文以图论为基础，提出了开放世界半监督学习的理论框架，并在此基础上设计了一种叫做 “光谱开放世界表示学习” 的算法，用于从已标记数据中推断出未知类别的未标记数据，并且能在已知和未知类别的聚类任务中提供可靠的理论保证。

    Nov, 2023

  • 开放式时态图神经网络

    该研究围绕开放时序图的动态信息传递和类别增量学习问题，提出了一种名为 OTGNet 的新学习框架，通过信息瓶颈原则和子图结构筛选策略，在不聚合矛盾信息的前提下，只传递类别不相关的信息，实现了在开放类别集合下的有效信息传递和学习。在三个不同领域的实际数据集上进行的广泛实验表明，该方法的优越性。

    Mar, 2023

  • 开放世界节点分类的图神经网络终身学习

    本文提出了一种在图上进行终身学习的增量训练方法，通过 $k$- 邻居时间差的方法解决历史数据的差异，并在五种典型的 GNN 体系结构上进行训练，结果表明相对于对完整图数据的训练，只需要保留至多 50% 的 GNN 感受野，就能保证至少 95% 的准确度，并确认了随着显式知识变少，隐式知识变得更为重要。

    Jun, 2020

  • 开放式半监督学习用于节点分类

    OpenIMA 是一个不依赖预训练图编码器的鲁棒性、基于对比学习的方法，用于从头开始训练节点分类模型并通过减小偏差的伪标签来解决开放世界半监督节点分类问题。

    Mar, 2024

  • YOLOOC：基于 YOLO 的开放类增量目标检测与新类发现

    通过构建新的基准测试，我们提出了一种基于 YOLO 架构的新型 OWOD 检测器 YOLOOC，在遇到新的类别时能够自动学习并避免忘记先前已知的类别，我们引入了标签平滑技术来防止检测器过度自信地将新类别映射为已知类别，并在我们的测试基准中的广泛实验表明了我们的方法在发现新类别上的有效性。

    Mar, 2024

  • 现实世界中基于半监督的开放式通用关系发现

    这篇论文提出了一种名为 KNoRD 的方法，该方法在未标记数据中识别明确和隐含的关系，并有效地分类已知和新的关系类别，是 Open-world Relation Extraction 领域的最新研究成果。

    May, 2023

  • 开放世界分类中的未见类别发现

    该论文研究开放世界分类问题，提出一种联合开放分类模型，该模型可以通过远距离测量函数识别未知类别的被拒绝的测试样本，并应用于聚类分析中，从而实现对未知类别的识别。

    Jan, 2018