- AstMatch:用于半监督医学图像分割的对抗自训练一致性框架
在本研究中,我们提出了一种对抗自我训练一致性框架 (AstMatch),通过设计对抗一致性正则化方法增强知识传递,并在不同扰动强度下增强预测一致性,应用特征匹配损失进行对抗训练以获得高层一致性正则化,并引入金字塔通道注意力和高效通道空间注意 - BackMix:最小监督下减缓超速学习的超声心动图技术
神经网络可以学习到正确预测验证集的偶然相关性,但因为预测的原因错误而泛化能力较差。我们提出了一种简单但有效的称为 BackMix 的随机背景增强方法,该方法从其他训练集样本中随机选择背景。通过强制使背景与结果不相关,模型学习将重点放在超声扇 - 基于令牌加权的 RNN-T 模型用于学习有缺陷的数据
使用基于标记权重的 RNN-T 准则来缓解音频识别中的转录错误,并且在半监督学习中使用该方法可以显著提高准确性。
- 天文学中的无监督学习综述
该综述论文总结了流行的无监督学习方法,并概述了这些方法在天文学中的过去、现在和未来的应用。无监督学习通过组织数据集的信息内容,以便能够提取知识。传统上,这是通过降维技术的实现,如主成分分析或使用自编码器,或者通过高维空间的简化可视化,例如使 - 半监督三维实例分割的实例一致性正则化
提出了一种新的自我训练网络 InsTeacher3D,用于从无标签数据中探索和利用纯实例知识,通过实例一致性正则化实现半监督的 3D 实例分割,结果显示 InsTeacher3D 明显优于先前最先进的半监督方法。
- 利用深度学习进行糖尿病足溃疡图像的伤口组织分割:一项初步研究
为了解决糖尿病足溃疡(DFU)图像中组织分割的挑战,作者创建了一个名为 DFUTissue 的数据集,其中包含由伤口专家标记的 110 张图像和 600 张未标记的图像。作者提出了一个混合模型,采用了深度学习方法,并结合了半监督学习的方法进 - IJCAIAllMatch: 充分利用所有未标记数据进行半监督学习
现有的半监督学习算法采用伪标记和一致性调节技术来引入未标记样本的监督信号。本文通过对未标记数据的预测来估计模型的学习状态,并提出了一种基于类别的自适应阈值机制,同时设计了一种二元分类一致性调节方法来区分未标记样本中的候选类别。通过结合上述策 - 基于心电图的心血管疾病检测的计算高效半监督学习
基于心电图(ECG)进行心血管疾病检测的深度学习系统在自动化领域面临的主要挑战是标记稀缺问题。我们提出了一种高计算效率的半监督学习范式(FastECG),以提供具有强大计算效率和鲁棒性的 ECG 心血管疾病检测方法,并在四个 ECG 数据集 - LayerMatch: 伪标签对所有层是否有益?
基于理论分析和经验实验证明,特征提取层和线性分类层在响应伪标签时具有不同的学习行为。我们开发了两种层特定的伪标签策略:Grad-ReLU 可以通过在线性分类层中消除伪标签的梯度不利影响来减轻噪声伪标签的影响,Avg-Clustering 可 - Any360D: 利用无标签的 360 数据和 Möbius 空间增强实现全景深度
在 360 图像方面,通过建立一个新的评估基准和提出一种半监督学习框架,我们展示了一个称为 Any360D 的新 360 深度建模方法的有效性,它在不同场景下具有令人印象深刻的零样本能力。
- ICML贝叶斯数据选择
将数据选择作为决策问题,并通过导出相应的贝叶斯准则为半监督学习中的自我训练等问题提供了贝叶斯最优选择数据的方法。根据模拟和真实数据的实证评估,我们进一步展示了该准则在广义线性模型、半参数广义加性模型和贝叶斯神经网络上减轻了确认偏差的问题。
- MDeRainNet:大像素图像雨痕去除的高效神经网络
我们提出了一种名为 MDeRainNet 的高效网络,用于去除光场图像中的雨线,该网络采用多尺度编码器 - 解码器架构,在 Macro-pixel 图像上直接进行操作以提高雨线去除性能,并且借助 Extended Spatial-Angul - 稳定材料:通过半监督学习增强材料生成的多样性
使用 Semi-supervised learning 和 Latent Diffusion Models(LDMs)的 StableMaterials 方法,通过对抗训练从现有大规模图像生成模型中提取知识,生成与 SDXL 模型的图像纹理 - 基于不确定性量化的生成模型与判别模型对比
通过对生成法和判别法进行比较分析,研究聚焦于从各种来源获取信息的不确定性感知推断,以及对半监督学习的兼容性,推导出一般的采样方案,从后验预测分布中获得监督学习和半监督学习。
- 图科尔莫戈洛夫 - 阿诺德网络
我们引入了图科尔莫哥洛夫 - 阿诺德网络(GKAN),一种创新的神经网络架构,它扩展了最近提出的科尔莫哥洛夫 - 阿诺德网络(KAN)的原理,用于图结构化数据。通过采用 KAN 的独特特性,尤其是使用可学习的单变量函数而不是固定线性权重,我 - 软对齐下探索低质量多模态数据中的对齐语义
使用 Gentle-CLIP 方法,通过将半监督多模态对齐转化为流形匹配问题,利用新型的语义密度分布损失、多核最大平均差异和自监督对比损失等技术实现了更少匹配对的多模态对齐,提升了表示分布的稳定性和模态间的距离,且在蛋白质、遥感和图像语言领 - DFA-GNN: 直接反馈对齐的图神经网络的前向学习
通过引入 DFA-GNN 方法以及伪误差生成器,本文提出了一种用于图神经网络的前向学习框架,通过优化网络的反馈链接,克服了 BP 算法的限制,并在半监督学习任务中展现了非常优异的鲁棒性。
- 分析原型对半监督分类学习的好处
通过使用原型为数据提供抽象表示,这篇研究论文探讨了原型在半监督学习中的应用,通过非监督方式形成数据的表示,以及无监督学习模型中的潜在嵌入和簇状表示的作用。
- 自监督特征适应的广义半监督学习
通过提出自监督特征适应(SSFA)方法,解决了传统半监督学习在标记和未标记数据分布不一致时预测错误伪标签的问题,从而提高了半监督学习性能。
- 利用弱到强的一致性进行半监督肾小球分割
基于弱到强一致性框架的半监督学习方法,在多个真实数据集上验证,对肾小球分割取得了卓越的性能,超过了现有的监督基准模型,如 U-Net 和 SegFormer。