Aug, 2024

基于标签比例的类别感知无增强对比学习

HTML
PDF
TL;DR本研究解决了标签比例学习（LLP）中袋级监督与实例级预测目标之间的不匹配问题，特别是在表格数据中。提出的无增强对比框架TabLLP-BDC引入了类别感知监督，通过两阶段的袋差对比学习机制，成功实现了强健的实例级监督。实验证明，TabLLP-BDC在表格领域的LLP任务中取得了最新的性能。
发现论文，激发创造
  • 学习标签比例

    该文章针对基于Label Proportions的学习环境提出了一个新的学习框架——Empirical Proportion Risk Minimization，利用该学习框架可以构建更好的学习算法，在政治学、营销、医疗保健和计算机视觉等领域有广泛应用。

    Feb, 2014

  • 从标签比例进行深度多类学习

    该研究提出了一种学习算法，可以从标签比例中学习而不是直接数据标签，并比较了两种不同的可微损失函数来训练端到端的深度神经网络从图像所在的袋子中学习精确的图像分类器。

    May, 2019

  • 利用一致性正则化学习标签比例

    本文提出了一种新的方法，通过引入半监督学习中的一种流行概念-一致性正则化，解决了标签比例学习（LLP）的问题，实现了更好的分类器表现，同时也提供了更好符合实际应用场景的非均匀背景生成和基于验证的参数选择过程。

    Oct, 2019

  • 从标签比例中学习：一个相互污染的框架

    本文以相互污染模型为基础，对标签比例学习进行了研究，提出了一种新的实验设置并首次建立了一致的学习流程。研究结果还包括非独立抽样计划下的无偏损失和泛化误差界限。

    Jun, 2020

  • 基于标签比例学习的两阶段训练

    该论文研究了从标签比例中学习的问题，针对现有基于深度学习的方法中优化目标与给定比例不一致的问题，通过对分类器施加比例验证的连续训练阶段以及引入混合策略和Symmetric Crossentropy方法来降低标签噪声，提高了分类性能。

    May, 2021

  • MixBag: 标签比例学习的包级数据增强

    提出了一种基于袋级数据增强的学习方法MixBag，该方法可应用于实例级数据增强技术和使用比例损失的任何学习方法，并通过实验证明了其优势和有效性。

    Aug, 2023

  • 通过信念传播引导超级学习者的标签比例学习

    通过学习标签比例 (LLP)，我们提出了一种新的算法框架，其中迭代地执行伪标签和嵌入改进两个主要步骤，利用Gibbs分布和Belief Propagation，在不牺牲计算效率的情况下，取得了标签比例学习问题上的显著改进。

    Oct, 2023

  • LLP-Bench：一种用于从标签比例学习的大规模表格基准

    该研究论文介绍了学习标签比例（LLP）任务，提出了一个包含大规模表格 LLP 基准数据集（LLP-Bench），并在该数据集上评估了9种先进的和流行的表格 LLP 技术的性能。

    Oct, 2023

  • 基于标签比例的文本分类学习

    在隐私设置和弱监督下，我们提出了一种新的基线技术DLLP的不规则性，以及与LLP下的通用性边界争论相结合的基于自我监督目标的新公式，该方法在87%的实验配置中比基线模型取得更好的结果，实验涵盖了长篇和短篇文本的大规模模型，并使用多个度量标准进行评估。

    Oct, 2023

  • 大包内标签比例学习的理论扰动方法

    本研究针对标签比例学习（LLP）中，当包内实例数量庞大时，传统方法受GPU内存限制而无法有效工作的挑战，提出了一种新的方法。通过从大包中采样生成小包，并对其比例标签进行扰动以减少过拟合，同时引入损失加权，实验结果表明该方法可以获得与无采样方法相当的分类准确率。

    Aug, 2024