Jun, 2024

自然语言文本中细粒度类别发现的通用方法

PDF
TL;DR使用粗粒度监督进行细粒度类别发现是一项经济高效但具有挑战性的任务，本文提出一种使用语义相似性引导样本分布并形成表示细粒度类别的独特聚类的方法，并进行了理论和实证上的验证，结果在准确度、调整兰德指数和标准化互信息等方面超越了现有的最先进方法。
fine-grained category discoverycoarse-grained supervisionintra-category and inter-category semantic similaritiesfine-grained clusterscentroid inference mechanism
发现论文，激发创造
  • 基于层次化加权自对比学习的精细类别发现在粗粒度监督下的应用

    本研究提出了一种新的细粒度类别发现的场景，称为基于粗糙标注的细粒度类别发现 (FCDC)，它旨在通过仅使用粗糙标记数据发现细粒度类别，可以适应来自已知类别的不同粒度的类别并降低标记成本，而我们的方法则通过结合自对比学习和有监督学习进行层次加权处理，具有良好的效果和效率。

    Oct, 2022

  • 可学习的语义数据增强的细粒度识别

    通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

    Sep, 2023

  • DNA: 去噪的邻域聚合用于精细颗粒类别发现

    从粗略标记的数据中发现细粒度类别是一项实用且具有挑战性的任务，本文提出了一种自我监督的框架 ——Denoised Neighborhood Aggregation (DNA)，它能够将数据的语义结构编码到嵌入空间中，通过聚合邻居信息来学习紧凑的聚类表示，并能够捕捉到数据之间的语义相似性和形成紧凑的细粒度聚类。

    Oct, 2023

  • 跨粒度少样本学习：结合视觉 - 语义元嵌入的粗 - 精伪标记

    本文提出了一种基于元学习的跨层级少样本分类方法，通过基于图像嵌入的贪心聚类来近似细粒度标注，同时引入元嵌入器使得模型可以在训练时仅观察粗略标签，并在测试时执行细粒度分类，实验结果表明该方法的有效性和鲁棒性。

    Jul, 2020

  • 粗到细：基于粗糙标注数据的细粒度文本分类

    该研究提出了一种基于粗到细粒度的分类，使用标签表面名称和预训练的生成式语言模型，生成虚假数据训练分类器并用于模型优化，实验证明在两个真实数据集上比零 - shot 分类改进了性能。

    Sep, 2021

  • 用大型语言模型实现细粒度视觉识别的民主化

    使用大型语言模型作为代理，FineR 在语义细分类别推理方面体现出更好性能，优于几种先进的 FGVR 和语音与视觉助手模型，并展示了在野外和新领域中工作的潜力。

    Jan, 2024

  • Grafit: 利用粗标签学习细粒度图像表示

    通过最近邻分类器目标和自监督学习的实例损失，结合粗标签和潜在细粒度空间，学习细粒度表示来提高图像检索的精度，从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。

    Nov, 2020

  • 从维基百科引导大规模细粒度上下文广告分类器

    本文介绍了一种利用 Wikipedia 分类图解决大规模细粒度文本分类的方法 ——wiki2cat，它可以在无需人工标注的情况下学习和归类广告内容，相对于已有的基于学习和基于关键词的基线模型，该方法具有竞争性的表现。

    Feb, 2021

  • 精细类别分类的子集特征学习

    本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。

    May, 2015

  • 细粒度文本分类模型和数据集的视觉分析

    通过 SemLa，我们设计了一种专门用于细粒度文本分类的视觉分析系统，可以揭示数据集中的语义结构并可视化文本样本的微妙差异，从而解释模型的推理过程。

    Mar, 2024