- ActiveAD:面向规划的主动学习用于端到端自动驾驶
通过规划导向的主动学习方法,本研究探索了如何在自动驾驶中实现样本和标注的高效利用,实验证明该方法在性能上远超过一般的主动学习方法,并且仅使用了 30% 的 nuScenes 数据就取得了与最先进的端到端自动驾驶方法相媲美的性能,希望本研究能 - LanSER: 语言模型支持下的语音情感识别
利用先前训练的大型语言模型,LanSER 通过弱监督学习方法通过推断弱情绪标签实现对未标记数据的利用,并在限制到特定分类方法的情况下使用文本蕴涵方法从自动语音识别中提取的语音转录本选择具有最高蕴涵分数的情绪标签,实验证明,使用这种弱监督方法 - KDDDiffusAL: 主动学习与图扩散相结合的高效节点分类
节点分类是属性图的核心任务之一,本论文提出了一种称为 DiffusAL 的新型主动图学习方法,通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本,显著提高了标记效率,相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。
- 扩散模型的牙科放射学分割预训练
医学放射学分割,尤其是牙科放射学,受标注成本的限制,这需要专门的专业知识和劳动密集型注释。本文提出了一种基于去噪扩散概率模型(DDPM)的简单的预训练方法,用于语义分割,该方法在生成模型方面显示出令人印象深刻的结果。我们的简单方法在标签效率 - 集群感知半监督学习:可证明学习聚类的关系知识蒸馏
关于关系性知识蒸馏的理论解释和在半监督分类问题中的应用,本文通过将关系性知识蒸馏转化为基于教师模型的谱聚类,并量化聚类误差来证明其有效性,并通过示例复杂度界限和群集感知的半监督学习框架进一步展示了其高标记效率。此外,通过将数据增强一致性正则 - Lingua Manga: 基于大型语言模型的数据治理系统
本文介绍了 Lingua Manga 这一使用预训练大型语言模型的通用数据管理系统,该系统提供自动优化并适用于各种技术水平的用户。通过三个应用案例的演示,证明了 Lingua Manga 可以有效地帮助编程高手和低代码用户应对数据管理挑战。
- 半监督多模式语义分割中的缺失模态稳健性
提出一种简单且高效的多模态融合机制:线性融合(Linear Fusion),通过半监督学习的方式提高了多模态语义分割的性能,并使模型对现实世界中缺失模态的情况更加健壮。
- ACTION++: 适应性解剖对比度提升半监督医学图像分割
本文提出了一种基于自适应对比学习的半监督医学图像分割方法 - ACTION ++,通过计算最优类别中心的方法进行自适应的有监督对比损失,使用动态的温度来对长尾问题中的类别进行更好的分离,并在 ACDC 和 LA 数据集上验证其在两种半监督学 - ACLAcTune: 基於預訓練語言模型的半監督主動學習中不確定性感知的主動自我訓練
提出了一种名为 AcTune 的新框架,该框架利用未标记数据来提高主动预训练语言模型的标记效率,该方法采用了区域感知采样策略和基于动量的记忆库技术,将主动预训练语言模型的标记效率提高了 56.2%。
- ICLR通过判别权重生成建立物体空间的目标追踪
本文提出了一种利用交互学习物体特征的框架,并采用卷积超级网络对每个物体进行编码,以提高标签效率。
- ECCV无监督选择性标记以实现更有效的半监督学习
本文介绍了一种基于聚类原型的无监督选择性标注方法,通过它来提高半监督学习的效率。该方法能够在没有标记数据的情况下,选择代表性和多样性数据作为标记数据,显著改进了现有的半监督学习方法的性能。
- 自动驾驶的标签高效视觉抽象
研究降低语义分割标注成本对行为克隆代理学习的影响,发现利用视觉抽象表示可实现更佳的标注效率和驾驶性能,并发现了其他训练优势。
- 通过核函数配对学习模块化深度学习
本文提出了一种基于模块化学习的深度神经网络构造及优化方法,利用弱监督方法学习各模块之间的隐层特征,从而实现高效的标签利用,可实现 94.88% 的准确率,同时还具有模型设计和实现的简单性、可维护性和重用性,适用于迁移学习领域。
- CVPR状态标记对抗主动学习
本文提出了基于状态重标记的对抗主动学习模型(SRAAL),利用注释和标记 / 未标记状态信息为模型提取最具信息量的未标记样本,实验结果表明该模型超过现有主动学习算法,并且初始采样算法也取得了更好的效果。
- ICLR多任务学习和自监督实现高效的音频分类
本研究旨在通过使用多任务学习和自监督学习提高基于 WaveNet 的大型神经网络在音频数据上的标签效率,并证明在有限的标记训练数据场景下,同时训练其他自监督任务可以显著提高分类性能。