class distribution | BriefGPT

关键词class distribution

搜索结果 - 12

SimPro: 一个简单的基于概率的真实长尾半监督学习框架
在这项研究中，我们提出了一个新颖的、高度适应的框架 SimPro，它不依赖于对未标记数据分布的任何预定义假设。基于一种概率模型，我们创新地改进了期望最大化（EM）算法，通过明确分离条件和边际类别分布的建模来实现。这种分离在最大化阶段为类别分
PDF4 months ago
基于卡尔曼滤波器的框架进行住院期间死亡预测模型的性能监控
为了在比较不同时间段的二元分类器的性能时更公平，我们提出了一种基于卡尔曼滤波器的方法，通过调整样本量和类别分布来估计性能指标的均值和随时间变化。我们在合成数据集和 COVID-19 患者的医院内 2 天预测模型上验证了该方法的有效性，并得出
PDF5 months ago
AAAI不平衡半监督学习的两次类别偏差校正
通过引入一种名为 TCBC 的新方法，我们解决了传统半监督学习中的两个挑战：训练样本的不平衡分布导致模型偏向某些类别，以及未标记样本的分布未知且可能与已标记样本不同，在训练过程中进一步导致偏向类别的伪标签。我们通过利用参与训练样本的类别分布
PDF6 months ago
AAAIEAT：面向长尾领域外检测
通过引入多个放弃类来扩展内分布类空间并通过虚拟标签训练识别 OOD 数据的检测器，以及通过将图片叠加到具有丰富上下文的 OOD 数据以增强对尾类特征的注意力，我们提出的方法在长尾 OOD 检测任务中表现优于最先进方法，并可作为现有长尾学习方
PDF7 months ago
ICCVTextManiA: 文本驱动流形增强的视觉特征丰富化
TextManiA 是一种文本驱动的流形增强方法，通过利用易于理解的视觉模仿词（即属性），在语义上丰富视觉特征空间，无论数据分布如何；通过在文本表示和目标视觉特征空间之间建立桥梁，并提出了一种高效的向量增强方法。实验证明 TextManiA
PDFa year ago
ECCV先验知识指导的无监督域自适应
本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。
PDF2 years ago
ECCV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 CIF
PDF2 years ago
传导式少样本学习的现实评估
该研究探讨了在 few-shot 任务的查询集中引入任意类别分布（即类别不平衡）的影响，进一步提出一种基于 α-divergence 的损失函数，有效地处理了类分布变化，大幅提高了性能。
PDF2 years ago
KDD分类器调整：变革在发生
提出了无界和有界的调整方法，以平均预测与类分布相等化，以最小化得分规则。实验结果表明在实际应用中，即使类分布仅近似已知，仍然可以根据移位量和类分布的精度减少损失。
PDF3 years ago
使用类别感知选择性损失的带部分注释的多标签分类
通过选择性地对待未标注标签和使用针对性的非对称损失函数来处理部分注释问题，本文在多标签分类数据集上取得了最先进的结果。
PDF3 years ago
ECCV基于平衡和不确定性感知的部分域自适应方法
本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法 BA$^3$US，通过两种新技术 BAA 和 AUS 来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明 BA$^3$US 优于现有方法。
PDF4 years ago
训练数据代价高时的学习：类分布对树归纳的影响
针对实际应用中的大规模归纳学习问题，针对有限的训练数据，本文基于 26 个数据集的研究结果，分析了不同的类别分布对于分类树所识别模型性能的影响，在此基础上提出了一种基于预算的递进采样算法为分类树的分类性能提供较优的训练数据集。
PDF13 years ago