跨领域开放世界发现
开放环境识别(OWR)是一个新兴领域,使得机器学习模型能够拒绝未知样本,并进行管理,逐步将新样本添加到基础知识。本研究提出了一个评估协议,用于估计模型在内域未知类和外域未知类之间分离能力,通过传统迁移学习、自动化机器学习(AutoML)和最近类均值(NCM)分类器与 First Integer Neighbor Clustering Hierarchy(FINCH)相结合的方法,通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验,结果表明所有方法都可以作为一个良好的准确性基线,并且预训练模型的平衡准确率(BACCU)得分有可能在一个或多个感兴趣领域中表现出色,同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要,进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 2023
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
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
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
这篇论文在机器学习领域做出了重要贡献,特别是在面对前所未见的数据和情境的开放世界情况下。通过研究开放世界机器学习中的 Out-of-distribution (OOD) Detection 和 Open-world Representation Learning (ORL) 两个关键步骤,该论文提出了算法解决方案和理论基础,为构建性能卓越且在不断变化的复杂实际世界中可靠的机器学习模型铺平了道路。
Oct, 2023
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
研究了一个 Open-World Class Discovery 问题,并提出了一种深度学习框架 CD-KNet-Exp 来实现新类别的发现,利用互独法准则将有监督和无监督信息结合在一起,通过三个公共数据集和一个困难的实际射频指纹数据集的实验证明了其卓越性能。
Dec, 2020
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
本文提出了一个更接近实际情况的机器学习问题:“不同领域的特征分布不同,且标签分布不均衡,如何将它们对齐?” 并构建了第一个包括 22 个跨域任务的基准测试数据集,并使用 COAL 模型进行了广泛的实验,发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐,对于该问题的未来研究能提供更好的基准测试数据集。
Oct, 2019