POWN: 原型开放世界节点分类

Jun, 2024

POWN: Prototypical Open-World Node Classification

Marcel Hoffmann, Lukas Galke, Ansgar Scherp

TL;DR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）.

Abstract

We consider the problem of \textit{true} open-world semi-supervised node classification, in which nodes in a graph either belong to known or new classes, with the latter not present during training. Existing methods detect and reject new classes but fail to distinguish between different new classes. We adapt existing methods and show they do not solve the pr

open-world semi-supervised node classification end-to-end approach prototypical open-world learning for node classification (pown)graph semi-supervised learning zero-shot learning

发现论文，激发创造

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

超越所知：针对开放世界图学习的新颖类发现

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。

Mar, 2024

开放世界学习及其在产品分类中的应用

本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器，而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。

Sep, 2018

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

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

WOT-Class：弱监督开放领域文本分类

本文提出了一种弱监督开放世界文本分类的框架 WOT-Class，其中通过迭代聚类、挖掘和排名象征性单词以及使用重叠的象征性单词作为桥梁来合并冗余类别，可实现有限的监督训练遍及可知和未知类别，并在 7 个流行的文本分类数据集上进行了广泛实验，表明 WOT-Class 具有比现有方法更好的性能和实用潜力。

May, 2023

通过判别类原型学习的开放世界物体检测

基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

Feb, 2023

跨领域开放世界发现

通过引入簇 - 匹配策略和面向跨域开放世界发现设计的目标，CROW 通过在稳定的表示空间中强大地匹配簇和之前见过的类别，从而发现新类别，并通过针对跨域开放世界发现设计的目标来精细调整表示空间，实验结果表明 CROW 在图像分类基准数据集上优于其他基线方法，在 75 个实验设置中平均提高了 8％的性能。

Jun, 2024

开放世界的终身图学习

我们在开放世界场景中研究了终身图形学习的问题，通过利用 ODD 检测方法来识别新的类别，并将现有的非图形 ODD 检测方法应用于图形数据中，通过聚合图形邻域信息与 OOD 检测方法相结合来进行新类别的检测。我们提出了一种弱监督相关反馈（Open-WRF）方法，用于减少 OOD 检测中阈值的敏感性，并通过在六个基准数据集上的评估结果证明我们的方法在 OOD 评分的邻域聚合上的性能优于现有方法，同时我们证明了我们的 Open-WRF 方法在阈值选择上更为鲁棒，并分析了图形邻域对 OOD 检测的影响。我们的聚合和阈值方法与任意图形神经网络和 OOD 检测方法兼容，使得我们的方法适用于许多实际应用。

Oct, 2023

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