- 非平稳环境下分类问题的自适应迁移学习视角
我们研究了一个具有非平稳标签转移的半监督分类问题,通过观察一组有标签的数据集和一系列无标签的协变量向量,我们的目标是预测每个协变量向量的相应类别标签,而无需观察除初始有标签数据集之外的真实标签。通过建立一个在任何给定测试时间内自适应地适应未 - 半监督学习在不确定标签情况下的渐近贝叶斯风险
在高斯混合模型上考虑半监督分类设置,其中数据并不像通常那样严格标记,而是具有不确定的标签。我们的主要目标是计算该模型的贝叶斯风险,并对该模型的贝叶斯风险和已知的最佳算法进行比较。这种比较最终提供了对算法的新见解。
- 异质性下的鲁棒图结构学习
我们提出一种新颖的鲁棒图结构学习方法,从异质数据中构建高质量的图,进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码,使其与邻居节点更具有区分度,然后学习一个具有自适应范数的鲁棒图,进一步利用新颖的正则化方法来改进图的结构。对异质 - 一种用于半监督图学习的一致性扩散算法
半监督分类的目标是基于所知少数节点(称为种子)的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理,否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的,还在实际图上带来了显著的性能提升。
- 通过理论上保证的切比雪夫约束生成无偏伪标签 以统一半监督分类和回归
提出一种基于 Chebyshev 不等式的理论约束的无偏标签生成方法,通过多个预测结果的结合生成高质量的伪标签,用于半监督分类和回归任务。在多个数据集上的表现优于现有方法。
- 低密度分离假设下监督学习和无监督学习之间的随机矩阵分析
我们提出了一个理论框架,用于分析高维情况下基于低密度分离假设的半监督分类。我们介绍了 QLDS,一个线性分类模型,其中低密度分离假设通过二次边界最大化来实现。该算法具有显式解和丰富的理论性质,我们证明了我们算法的特殊情况是有监督情况下的最小 - 无标签领域外数据提高泛化能力
将未标记的数据合并到半监督分类问题的一个新框架中,借助分布鲁棒优化 (Distributionally Robust Optimization) 和自我监督训练的组合,提供了新的错误界限以及将离域样本用于缩小泛化差距的方法。
- 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 - ICMLGC-Flow: 一种基于图结构的流网络用于有效聚类
该论文介绍了一种替代 GCN 层的归一化流模型,命名为 GC-Flow。该模型在保持 GCN 的预测准确性的同时,通过高斯混合表示空间结构化,产生了良好分离的聚类效果。
- ICLR基于置信度的部分已知特征图的特征填充
探索解决图学习任务中缺失特征问题的方法,引入一种新的信任概念,设计一种新的特征插值方案以及节点分类和链接预测。
- 高产作物田地检测:新数据集与深度学习基准测试结果
通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集,并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田,以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性,并在没有完整标注数据集情况下 - 可学习的图卷积网络和特征融合用于多视角学习
本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架,该框架旨在从异构视角中学习潜在的特征表示,并探索可区分的图融合,通过 Learnable Graph Convolutional Network and Feature Fu - 使用监督自编码器的半监督分类在生物医学应用中的应用
这篇文章介绍了一种新的半监督分类方法,该方法使用监督自编码器网络,将标签编码到自编码器的潜空间,并定义一个结合分类和重构损失的全局准则,用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。
- CVPR半监督语义分割中弱到强一致性的再访
本文介绍了一种基于弱到强一致性框架的半监督分类技术,将图像的弱扰动版本作为强扰动版本的监督信息,通过使用数据扩充,提出了一个统一的双流扰动方法,该方法在各种基准测试中表现优异。
- 使用混合量子自编码器进行聚类和增强分类
本文提出了一种基于混合量子自编码器的 QML 算法,旨在在经典描述的空间中学习识别和分类量子态的特征属性,为聚类和半监督分类提供了一种新的方法,该方法针对的是幅度编码的量子态,可以应用于非平凡的量子数据集的结构分析。
- ICML巴洛双胞胎:基于冗余减少的自监督学习
提出了一种名为 Barlow Twins 的自监督学习方法,通过在两个相同的网络中输入扭曲版本的样本并测量它们输出的相关性矩阵,使嵌入向量在保持相似性的同时最小化它们之间的冗余。该方法在低数据范围内的半监督分类上优于以前的方法,并对于使用线 - 半监督分类的图卷积:改进的线性可分性和越界泛化
该研究探讨了在图形信息存在的情况下,基于图卷积进行数据分类的方法,发现图卷积扩展了数据线性可分的范围,并且在最小化交叉熵损失后,得到的线性分类器具有很好的泛化能力。
- 我不需要 MCMC:分摊采样用于能量模型的快速稳定训练
本文提出了一种简单的方法来训练基于能量的模型(EBMs),并将其应用于半监督分类,方法利用熵正则化的生成器来分摊在 EBM 训练中通常使用的 MCMC 采样,这使得实验结果更快、稳定和可行。
- CatGCN:具有分类节点特征的图卷积网络
论文提出一种新的 GCN 模型 CatGCN,它适用于当节点特征为分类特征时的情况。该模型在学习初始节点表示时整合了两种显式的交互模型,并使用基于邻域聚合的图卷积对初始节点表示进行了改进。实验证明,CatGCN 对半监督节点分类任务非常有效 - IJCAI面具标签预测:半监督分类统一消息传递模型
提出了一种新颖的统一消息传递模型 (UniMP), 旨在将图神经网络和标签传播算法结合起来,该模型在半监督分类方面取得了新的最先进的结果。