- 多标签遥感图像分类中 CutMix 的标签传播策略
介绍一种在遥感(RS)领域中的多标签场景分类(MLC)问题中,有效应用 CutMix 数据增强技术的标签传播策略。实验证明该标签传播策略在有噪声的类别位置信息的各种模拟和真实情景下具有稳健性。
- ACLSEEP: 培训动力为减轻后门污染攻击而进行潜在表示搜索
通过利用训练动态识别有毒样本并进行标签传播以提高召回率,我们提出了一种新颖的防御机制,有效降低了多种后门攻击的成功率,并保持了对干净测试集高准确度的分类。
- CVPR利用视觉语言模型进行零样本分类的标签传播
本文介绍了一种基于标签传播和测地线距离的方法 (ZLaP),利用未标记数据的图结构进行零样本分类,并提出了一种高效的归纳推理方法。
- 基於改進的擴散映射的流形正則化分類模型
该论文提出了一种基于标签传播模型改进流形正则化的方法,通过增强扩散图算法的概率转移矩阵来描述流形上的标签传播过程,并证明了扩展的标签传播函数在足够长时间后收敛到稳定分布,成为一个可用的分类器,实验证明了该方法的优越性。
- 从注册不确定性到分割不确定性
我们提出了一个新的框架,同时估计图像配准的先验和其它分割不确定性,通过最小化负对数似然损失函数,将外观不一致性转化为其它分割不确定性,并通过引入分割不确定性以及现有的估计配准不确定性方法,在图像配准的不同阶段提供了重要的可视化结果。通过使用 - BloomGML: 透过双层优化镜头看图机器学习
双层优化是指将下层能量函数的最优解作为上层感兴趣的目标的输入特征。本文说明了一系列图学习技术可以被重新解释为双层优化的特殊情况或简化形式,并提出了更灵活的能量函数类,形成图神经网络的消息传递层。此外,本文探索了与非图神经网络图学习方法的密切 - Google Ads 内容审核的 LLM 评估扩展
本研究提出了一种方法,用于在 Google Ads 中扩大大型语言模型(LLM)的内容审核,通过使用启发式方法选择候选项,创建广告簇,并使用 LLMs 仅审核代表性广告,该方法将审核数量减少了 3 个数量级,同时与基准非 LLM 模型相比, - 受挫随机漫步:一种在超图上计算节点距离的快速方法
我们提出了一种基于随机游走的新方法,用于超图上的标签传播,其中我们将节点距离估计为随机游走的预期命中时间,并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试,结果显示在目标数量较小的情 - 通过联合消息传递和基于原型的软标签传播实现稳健的传导式少样本学习
该论文提出了一种名为原型软标签传播(PSLP)的高效且稳健的传导式少样本学习方法,通过集成原型学习和标签传播方法,并利用新的联合消息传递方案学习样本表示和关系图,实现了对新类别的泛化能力。
- 自适应锚点标签传播用于转导式少样本学习
在本论文中,我们提出了一种新的算法,通过在流形中优化标记数据的特征嵌入来最小化可微损失函数,从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用 - 非线性适正平滑的半监督学习
提出了一种名为非线性纠正与平滑(NLCS)的方法,该方法通过将非线性和高阶表示结合到残差传播中,有效处理复杂的节点关系,在高阶图中联合利用标签和特征,显著提高了基准预测和现有后处理方法的性能。
- 图神经网络的学习方式:从函数空间训练动态中获得的教训
图神经网络的学习动态可以重新构建为一个更熟悉的标签传播框架,因为这个过程中存在图的归纳偏差,从而提供了为什么学习后的图神经网络函数能成功推广以及在异构图上的病态行为的解释。实际上,稀疏化和实施学习动力学导致了一种具有经典算法效率和现代图神经 - 领域自适应消息传递图神经网络
通过跨网络节点分类(CNNC)实现源网络知识向标签不足的目标网络的转移,提出了一种领域自适应传递图神经网络(DM-GNN),它将图神经网络(GNN)与条件对抗性领域自适应相结合,能够学习可传递到不同网络的节点分类的信息表示。
- 半监督多视图概念分解
本篇研究通过提出一个新的半监督多视图概念分解模型 SMVCF,结合多视图概念分解、标签传播和流形学习等技术,以及引入适应性权重向量,来克服传统方法中忽略标签和视角信息的不足,从而在多视图聚类任务中取得了令人满意的效果。
- 非定向点云分解的凹面诱导距离
提出了凹凸感知距离(CID)作为一种度量无定向点云中一对点之间差异的新方法,CID 可用于点云分析、点云实例分割和分组,是一种在机器人应用中处理原始点云观测结果的有用工具.
- 学习正确的层级:一种基于数据驱动的多层图半监督学习层聚合策略
本研究提出了一种针对多层图所进行的聚类方法,其中采用了基于 Laplacian 正则化的非参数模型,并结合修改后的 Label Propagation 迭代方法,成功地进行了半监督学习,使得每一层所具有的信息内容更为丰富,聚类效果得到显著提 - 面向任务自适应的伪标签跨领域元学习
本文提出了一种基于任务自适应伪标记的跨领域学习方法,通过标签传播从有标记的 support 集生成伪标签,进而有效地利用未标记的 query 集,相比归纳式学习方法,该方法在适应过程中能处理更多示例,从而提高模型的分类性能,实验证明该方法优 - JacobiNeRF:利用相互信息梯度塑造 NeRF
提出了一种可以捕捉场景中物体、区域或实体之间的互动关系的方法,使用神经辐射场编码语义相关性来进行实例分割和标注传播,通过关注二阶信息,可以在极度稀疏的条件下减少注释负担并更有效地传播标注。
- EMNLPLightEA: 基于三视图标签传播的可扩展、鲁棒和可解释的实体对齐框架
通过对研究发现,我们在本文中提出了一种非神经网络 EA 框架 LightEA,它包含了 Random Orthogonal Label Generation,Three-view Label Propagation 和 Sparse Sin - Scribble2D5: 通过涂鸦注释进行弱监督体积图像分割
本文提出了一种基于草图的体积图像分割方法 Scribble2D5,在 2.5D UNet 中增加了标签传播模块,通过组合静态和主动边界预测来学习感兴趣区域的边界并规范其形状,从而改善了弱标注图像分割的结果。在三个公共数据集上的实验表明,Sc