- 对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力
利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。
- 双质量学习：处理封闭集分布转变的算法设计框架
用弱监督数据和数据集变化训练机器学习模型仍然具有挑战性。在这两种情况下设计算法的探索尚不多见，并且现有算法不能始终处理最复杂的分布变化。我们认为，双质数据设置是设计这类算法的合适框架。我们提出了两种方法，一种受到标签噪声文献的启发，另一种受 - biquality-learn: 一个用于双质量学习的 Python 库
数据挖掘的民主化得到了广泛成功，其中强大且易于使用的机器学习库在其中发挥了重要作用，然而，实践中强监督信号稀缺，研究者必须采用弱监督方法，并且在将机器学习模型部署到现实世界中时，数据集的偏移也是一种常见现象，因此提出了一种名为 Biqual - 专注特定物体的 NeRF
通过利用场景语义先验，加快训练速度和提高渲染效果，本文改进了 NeRF-based 模型，在特定目标上进行快速训练，并且对所有 NeRF-based 模型都适用。此外，通过稀疏采样负射线样本并研究弱监督方法，进一步加速训练并保持渲染质量。最 - ICCVGaPro：基于高斯过程的盒标注的三维点云实例分割
使用轴对齐的 3D 边界框监督，提出 GaPro，一种新的用于 3D 点云的实例分割方法，通过生成伪标签和训练 3DIS 网络来解决 3DIS 问题，并通过自学习策略进一步提高性能。
- 利用提示增强的上下文特征进行弱监督视频异常检测学习
本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架，其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块， 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能，某些异常子类 - 使用深度学习自动标记德语胸部 X 光放射学报告
本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了 - 具有漂移数据的弱监督自适应方法
提出了一种自适应方法，在非稳态环境下提供正式质量保证的弱监督学习，通过使用提供每个数据点的正确分类的独立嘈杂信号的弱监督学习源来推断一系列数据的未知标签，并针对准确性可能随时间漂移的非稳态情况进行了重点研究，该算法不需要先验假设并且基于输入 - S$^2$ME: 基于空间 - 频谱相互教学和集成学习的涂抹辅助下的息肉分割
本文提出了一种基于弱监督的医学图像分割方法，采用空间光谱双分支共同训练的框架和熵引导的伪标签集成学习，有效降低了噪声对伪标签的影响，并在四个公共数据集上得到了良好的性能表现。
- ICML基于几何正则化的不完全嘈杂成对注释深度聚类
本论文通过研究深度约束聚类（DCC）的一种新的逻辑损失函数，探讨其理论性质，并提出了一种基于几何因子分析的新的损失函数来对抗噪声注释。该方法经过多个数据集的测试验证，表明即使在未知注释混淆的情况下，我们提出的学习标准下数据成员仍可被证明地识 - ACLAlfred: 一种面向提示的弱监督系统
Alfred 是第一个通过自然语言提示创建机器学习训练数据的程序弱监督（PWS）系统，提供简单的 Python 接口和高吞吐量后端以进行大规模数据标注，通过优化的批处理机制，优化执行提示，使用 YouTube 评论垃圾邮件检测和宠物品种分类 - 弱监督下可扩展的银行交易分类
该研究使用弱监督、自然语言处理和深度神经网络技术对银行交易进行分类，建立了一个高效可扩展的数据处理管道，展示出比现有市场领先解决方案更有效的分类性能，并能快速扩展到新的使用案例，从而提高了金融健康报告和信用风险评估等金融应用的可用性。
- 弱监督下的 AUC 优化：一个统一的部分 AUC 方法
本文提出了 WSAUC 框架作为弱监督 AUC 优化问题的统一解决方案，在此框架下，通过最大化经验 rpAUC，本文在多种弱监督情景下有效提高了 AUC 的优化能力。
- MM基于深度 GEM 网络的弱监督 UWB 距离误差缓解
本文提出了一种基于弱监督的学习框架，采用基于广义期望最大化（GEM）算法的深度学习方法，在弱监督标签的先验信息下对超宽带（UWB）测距误差进行鲁棒处理，实现了从原始数据中利用高语义特征的性能改进。
- 针对少样本基于方面的情感分析的弱监督方法
本文探讨了如何利用无标注数据的弱监督来提高方面情感分析（ABSA）任务在少量样本情况下的性能。我们提出了一种管道式方法来构建一个嘈杂的 ABSA 数据集，并利用它来使预训练序列到序列模型适应 ABSA 任务。我们将该方法在三个常用的 ABS - 跨数据集弱监督仇恨言论分类
本篇论文提出了一种基于极弱监督策略的方法以解决仅存在于部分数据集的种族主义言辞（HS）的识别问题，并探究了 HS 分类模型泛化能力不佳的原因。
- CVPR更好的 3D 假标注配方：野外 3D 人体网格估计的三种方法
本文研究在野生环境下恢复 3D 人体网格的挑战，提供三种方法得到高效 3D 假的 GT。
- 一种基准生成式概率模型用于弱监督学习
本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。
- WWW自监督协同训练实现开放领域槽位填充
这篇论文提出了一个名为 SCot 的自我监督协同训练框架，它需要零个领域内手动标记的训练例子，并且通过引入三个阶段来最小化性能差距，证明了在开放域槽填充中可行性，通过使用伪标签和自我监督强化三个阶段的性能，SCot 在 SGD 和 Mult - CVPR有限预算注释任务的自适应策略：完整或弱标注？
本论文提出了一种通过模拟估计分割和分类注释比例以确定分割数据集注释策略的方法，证明了该方法在多个预算和数据集上表现接近最佳。