Apr, 2024

基于局部信息的半监督层次多标签分类器

PDF
TL;DR本研究提出一种基于局部信息的半监督分层多标签分类器（SSHMC-BLI），可利用标记和未标记的数据进行训练，用于执行分层分类任务。实验结果表明，利用未标记数据可以显著提高仅基于标记数据训练的监督式分层分类器的性能。
scarcity of labeled datasupervised classificationhierarchical classificationsemi-supervised hierarchical multi-label classifierfunctional genomics
发现论文，激发创造
  • 半监督预测聚类树用于（分层）多标记分类

    本文考察了在复杂预测任务中半监督学习的应用，提出了一种基于预测聚类树的（分层）多标签分类方法，并通过实验评估证明了该方法及其集成学习的显着优势。此外，该方法具有可解释性和时间复杂度优势。

    Jul, 2022

  • 缺失随机标签时的可靠半监督学习

    本文介绍了一种半监督学习的方法， 采用生成模型与监督学习算法，放松了对未标记特征的约束，可提高分类器的可靠性，从而准确量化标签不确定度。

    Nov, 2018

  • 半监督分层图分类

    本研究提出一种名为 SEAL-CI 的半监督节点分类算法，针对具有层次图结构的节点进行建模，使用分层图互信息作为一个约束条件，能够提高图分类的准确性和效率。

    Jun, 2022

  • 带有少量标注的半监督学习

    本文提出一种新的 SSL 算法，通过引入转移学习和自主监督来初始化数据的表示，再利用新算法，交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明，该方法在标准基准测试中表现优异，特别是在从其他任务或数据集中细化时，效果更佳。

    May, 2019

  • 基于嵌入的层级动态标注的半监督分类的拓展研究

    使用 Hierarchical Dynamic Labeling（HDL）算法，不依赖于模型预测的方式利用图像嵌入生成样本标签，进而改善半监督学习中伪标签生成的表现，验证了表示网络比分类器或预测器更可靠的动机。

    Apr, 2024

  • 高效数据标注赋能硬件网络：一种聚类联邦半监督学习方法

    在集群联邦多任务学习 (CFL) 中，针对多个用户间的非独立同分布 (non-IID) 数据的统计挑战，Clustered Federated Semi-Supervised Learning (CFSL) 应用于更真实的分层无线网络 (HWN) 场景，通过引入适用于生成准确伪标签的专门模型算法，显著改善了测试准确性、标注准确性和标注延迟等关键指标，以适应数据的非独立同分布性质和无线边缘网络的独特特点。

    Jan, 2024

  • 纯净半监督学习：在只有很少标记图像的情况下进行半监督学习

    本文针对有限标注信息下的半监督学习进行研究，分析了当前应用最广的半监督学习方法 FixMatch 在这种情况下的表现和局限，提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案，并在 STL-10 数据集上得到了显著提高。

    Dec, 2021

  • 半监督图分类：分层图视角

    本研究提出了一个基于半监督学习的图学习方法，将节点分类问题扩展到了节点本身为图实例的层次图中，并设计了两种新的分类器，同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中，实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法，而且生成的学习表示具有有意义的解释。

    Apr, 2019

  • 层次多标签分类的双曲交互模型

    本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

    May, 2019

  • 层次感知联合对比学习实例和标签用于层次多标签文字分类

    通过使用层次化多标签文本分类和对比学习的方法，提出了一种叫做 HJCL 的方法来解决半监督学习中样本生成引入噪声的问题，并构造批次数据以实现对比学习目标的完全利用。

    Oct, 2023