- ArguMentor: 提升用户体验与对立观点
ArguMentor 设计了一个全套系统，它突出了意见文章中的论点，并利用 LLM 为其生成反驳观点，然后根据当前事件为文章生成基于上下文的摘要。通过额外的功能如问答机器人，辩论和突出触发窗口，该系统进一步增强了用户的交互和理解。我们的调查 - 基于示例的医学图像分割的跨模态互相学习
通过引入新颖的跨模型互学习框架，该研究提出了一种基于样本的医学图像分割方法，可以在极少的监督下实现高效的模型训练，并通过消除确认偏差和实现多模型一致性来学习互补信息。通过在图像和特征层面上进行扰动和预测，该框架在两个医学图像数据集上的实验结 - 半监督地标检测中的自训练再思考：一种无选择的方法
自我训练（self-training）方法在处理确认偏倚问题上具有重要作用，但在地标检测领域应用时面临着自适应选择伪标签、确定样本选择阈值和选择自训练的困难等问题。为了解决这些问题，本文提出了自我训练地标检测（STLD）方法，使用任务学习计 - CVPRDuPL: 可信可靠的渐进式学习强鲁棒性弱监督语义分割
提出了一种名为 DuPL 的可信逐步学习的双学生框架，用于解决单阶段弱监督语义分割中由 CAM 伪标签引起的认证偏差问题，通过动态阈值调整和自适应噪声过滤策略在学习过程中逐渐引入更多可靠的伪标签，并针对被丢弃的区域开发了一致性正则化以提供每 - 搜索中的用户行为：寻找参与和逆效应
研究了高度观点倾向用户对争议话题的搜索行为，发现争议结果的呈现方式和偏见指标不仅会增加他们对相反态度内容的吸引，而且会降低搜索页内的整体互动程度，并且发现指示态度的标签会增加用户对各种观点的消费，尤其在搜索结果存在偏见时。
- 半监督医学图像分割的备选多元教学
提出了一种多样教学方法 AD-MT，以应对当前半监督医学图像分割模型中存在的确认偏差问题。AD-MT 包括一个学生模型和两个非可训练的教师模型，通过交替地进行动量更新来促使教学多样性。通过随机切换周期、数据增强和补充数据批次，RPA 模块调 - 序列匹配：半监督学习的弱强增强设计再探讨
使用多重数据增强及一致性约束，提出了一种高效半监督学习方法 SequenceMatch，可解决确认偏见问题并在标准基准测试中实现更高的准确性。
- 半监督学习的通用奖励模型：SemiReward
提出了一种 SemiReward 半监督奖励框架，通过预测奖励分数来评估和过滤高质量伪标签，以解决在半监督学习中确认偏差问题，实现高质量标签、快速收敛和任务多样性。
- 伪标签选择是一个决策问题
伪标记、半监督学习、确认偏差、贝叶斯框架、决策理论
- KDD如何通过主动学习在半监督图像分类中克服确认偏倚
活跃学习和半监督学习在有限标记数据的真实世界应用中结合的潜力为在真实世界应用中使用有限标记数据进行学习的鲁棒方法提供了新的方向。
- ICCV通过连接高和低置信度预测增强半监督学习
提出了一种名为 ReFixMatch 的新方法，旨在利用所有未标记数据进行训练，从而提高模型的泛化能力和在半监督学习基准测试上的性能。值得注意的是，ReFixMatch 在 ImageNet 上使用 10 万个标记示例时达到了 41.05％ - 认知偏差与信念修正
通过三种认知偏差（证实偏见，框架偏见和锚定偏见）的形式化，我们研究了它们对三种常见信念修订方法（条件化，词典修订和最小修订）的影响，并评估了其在随机场景中的表现和对真相跟踪的可靠性。
- 通过语义匹配修正特征归因方法中的确认偏差
本文介绍了解决黑盒模型中 feature attribution 方法的一个严重问题 —— 在人类概念下的可靠解释性问题，提出了一种基于语义匹配的结构化方法来评估模型的可解释性，并在实验中得出了关于评估语义匹配的指标和结果，旨在解决 XAI - 大型语言模型在知识冲突中的行为：自适应变色龙或顽固树懒
本文提出了一种系统性方法，通过对 LLMs 的参数化记忆进行质量控制来构建相应的反记忆，并借此进行了一系列受控实验，研究了 LLMs 在遇到知识冲突时的行为，发现 LLMs 在保持一致性和可信性的情况下，即使与其参数化记忆冲突，也可以高度接 - 增强自训练方法
本文介绍了多种改进的方法以减轻自我训练管道中的确认偏差，评估了这些改进在多个数据集上的表现，证明在现有的自我训练设计选择上实现了性能增益，并研究了增强方法对未知类别的 Open Set 无标签数据的扩展性。
- MM无监督行人再识别的领域摄像机自适应和多特征协同聚类
本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。
- 评估 AI 模型与医疗保健专业人员之间的沟通差距：可解释性、实用性和信任的 AI 驱动临床决策
本文提供了一个实用的评估框架，用于可解释机器学习模型对于临床决策支持的贡献。研究揭示了 ML 解释模型的更加细致的作用，以及将其实用地嵌入临床背景的方法。 该研究发现，尽管医疗保健专业人员普遍对解释持有积极态度，但对于一定比例的参与者来说， - AAAI学习中的确认偏见问题：以标签噪声为手段进行打击
通过融合伪标记和置信度估计技术，Robust LR 方法成功地改善了数据标签噪声和确认偏差，并在以不同级别合成噪声的 CIFAR 和真实噪声的 Mini-WebVision 和 ANIMAL-10N 三个数据集上实现了最先进的性能。
- 即时教学：一种端到端的半监督目标检测框架
本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching，使用了即时伪标记和扩展的弱 - 强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。
- 建模确认偏见和极化
该研究提供了一个基于有限置信度模型的数学模型，以研究在线社会辩论和相关的极化动态，重点关注确认偏误在病毒现象中起到的关键作用，并证明了新模型（即无限置信度模型和重连置信度模型）可以解释现实中经常观察到的两种最终稳定观点的共存现象，最后展示了