May, 2024

朝向现实的长尾半监督学习在开放世界中

PDF
TL;DR通过提出 ROLSSL 框架和双阶段事后逻辑调整方法，本研究在开放世界长尾半监督学习领域取得了性能提升，并为该任务建立了一个强有力的基准。
open-world long-tailed semi-supervised learningrolssldual-stage post-hoc logit adjustmentscategory biasimbalanced unlabeled data
发现论文，激发创造
  • 朝着真实的半监督学习

    本文提出一种基于伪标签的半监督学习方法，能够处理 open-world SSL 问题，并通过样本不确定性和类别分布先验知识等手段，为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好，特别是在 CIFAR-100，ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。

    Jul, 2022

  • 重新思考开放世界半监督学习：分布不匹配和归纳推理

    该研究通过解决开放世界半监督学习中的假设假设和评估方法的问题，以扩展实用的开放世界半监督学习。

    May, 2024

  • 开放世界中的大规模长尾识别

    研究开放式长尾识别（OLTR）算法，该算法需能在学习具有长尾分布的数据、分类多数和少数类别以及识别未知类别的情况下优化分类准确率，采用动态元嵌入技术实现快速识别，对三种数据集进行的实验结果表明，该算法在 OLTR 领域已处于领先地位。

    Apr, 2019

  • 智能地利用开放数据的强韧半监督学习

    通过学习理论的角度，我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen，通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力，并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销，广泛实验证明 WiseOpen 的有效性超过了现有技术水平。

    May, 2024

  • OpenLDN: 学习发现新类别用于开放式半监督学习

    本文介绍了一种名为 OpenLDN 的方法，该方法针对半监督学习中存在的已标记数据和未标记数据来自于相同数据分布的困难，解决了开放世界半监督学习的问题，通过使用成对相似性损失来识别已知类别的样本，同时探测和聚类未标记数据中属于新类别的样本。实验结果表明，OpenLDN 在多个常用分类基准测试中都优于现有最佳方法，具有更好的准确性 / 训练时间折衷。

    Jul, 2022

  • 自学开放世界类的鲁棒半监督学习

    提出了一种用于自学习开放世界类别（SSOC）的开放世界半监督学习方法，该方法可以明确地自学习多个未知类别，并通过与熵损失的结合设计了成对相似性损失来有效发现新类别，实验证明其在多个常见分类基准测试中优于现有最先进基线方法，特别是在 ImageNet-100 数据集上取得了显著的 22% 改进。

    Jan, 2024

  • 一种用于开放集半监督学习的多任务课程框架

    本文提出了一种多任务课程学习框架，旨在解决开放集合 SSL 中的未知样本问题，通过同时训练模型的正常分类能力和未知样本的检测能力，成功地消除了未知样本的影响。

    Jul, 2020

  • 自监督长尾学习中离分布数据的有效性

    本文提出了一种使用对比学习和越界数据解决长尾数据集中深度自我监督学习（Self-supervised learning）效果不佳的技术 COLT，实验表明该方法能够显著提高长尾数据集上自我监督学习的性能。

    Jun, 2023

  • 少样本零样本情境中的半监督学习

    我们通过引入额外的熵损失构建了一个分类器，用于对来自已知和未知类别的数据进行分类，从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明，我们相对于现有的 SSL、开放集合 SSL 和开放世界 SSL 方法取得了巨大的改进。当标记数据非常有限（每个类别 1-25 个标记示例）时，进步最为显著。

    Aug, 2023

  • 确定性标注与大间隔投影的半监督学习

    本研究提出了一种基于最优主导森林的半监督学习方法，通过 homeomorphism 选择一组最具代表性的样本进行标记，并学习一个核化大边界度量对剩余未标记样本进行分类，多样化的实验结果表明，该方法在稳定性和准确性方面均有显著提高，特别是对于多模态问题具有生效性。

    Aug, 2022