- 拓展视野:为长尾胸部 X 光分类实现混合量子迁移学习
我们使用基于 Jax 的框架实现了用于长尾 CXR 分类的混合量子迁移学习的可访问实现。
- 提取清洁平衡的子集以用于嘈杂的长尾分类
使用基于分布匹配的类原型和最优传输的伪标注方法,结合观察标签和伪标签的有效筛选标准,成功解决了长尾分布和标签噪声的联合问题,提供了更加平衡、准确的训练样本集,为具有标签噪声的长尾分类提供了有效的性能提升。
- 双限制最优输运用于高级聚类和分类
本文主要介绍了最优传输(OT)的基本概念及其在机器学习中的应用,提出了双重边界最优传输(DB-OT)方法,用于解决实际情况下涉及未确定目标的问题,并应用于聚类和长尾分类任务中,实验证明该方法在测试阶段具有良好的性能。
- DRAUC: 一种基于实例的分布鲁棒 AUC 优化框架
基于分布鲁棒的面积下 ROC 曲线 (DRAUC) 的模型优化框架,解决了长尾分类情景下训练和测试样本分布差异以及标签偏差的问题。
- 基于粗粒度领先森林和多中心损失的长尾分类
通过使用粗粒度引导森林和多中心损失作为不变特征学习的基础,我们提出了一种名为 Cognisance 的长尾分类框架,该框架能够建立多粒度联合解决模型,解决长尾分类中的类内不平衡问题,并且在 ImageNet-GLT 和 MSCOCO-GLT - ICLR随机表示的长尾分类解耦训练
探讨解耦表示学习和分类器学习在长尾数据分类上的有效性,应用随机加权平均法提高模型泛化能力并提出一种基于不确定性的分类器重新训练算法,实验证明本研究所提出方法在预测准确率和不确定性估计方面优于先前的方法。
- CVPR曲率平衡特征流形学习用于长尾分类
通过对深度神经网络中概念流形的几何测量,研究发现曲率失衡会导致模型偏差,进而提出一种曲率正则化方法来平衡概念流形的几何特征,取得了良好的性能改进效果。
- ICLRLPT: 长尾蛇形提示调整技术用于图像分类
提出了一种有效的长尾 Prompt 调整方法用于长尾分类。该方法使用两个阶段的培训范例来学习训练可调节的提示符。实验证明,与之前的整个模型微调方法相比,此方法具有可比较的性能,并且更加强大。
- ECCV应对领域转移下的长尾类别分布
使用三种新的核心功能块,以及集成在元学习框架中,解决长尾分布分类和领域漂移问题,提高了领域泛化在新的目标领域上的表现。
- ECCV面向广义长尾分类的不变特征学习
提出了一个新的研究问题:综合考虑类别和属性两个方面的不平衡问题,介绍了一种关于属性无关特征学习的强基线方法(IFL),并发现很多现有的类别不平衡方法在对抗属性级别上不如此方法表现的好。
- EMNLP预训练语言模型在长尾学习中的应用
通过实证研究,发现 prompt-tuning 可以成为良好的 long-tailed 学习器,并探究了该方法背后的关键因素是分类器结构和参数化,而非输入结构。该结果也适用于 few-shot 分类任务。
- 保留好的,移除坏的:动量因果作用解决长尾分类问题
本文提出了基于因果推断的长尾分类解决方案,发现 SGD 动量在长尾分类中具有有害的因果作用和有益的中介作用,并利用训练中的因果干预和推理中的反事实推理来优化模型,在三个视觉识别基准上取得了最新的最优表现。
- CVPR从域自适应的角度重新思考针对长尾视觉识别的类别平衡方法
本文从领域自适应的角度分析了分类中长尾类别分布的问题,提出了基于元学习的显式估计类别条件分布差异的方案,并在六个基准数据集和三个损失函数上进行了验证。