基于能量模型的经过校准的置信度伪标签学习
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文介绍了多种基于伪标记和能量评分的方法，以提高深度学习模型在不平衡半监督学习中的分类精度。提出的InPL方法通过样本位置评分，显著提升了CIFAR10-LT数据集的准确度。同时，探讨了置信度校准和伪标记策略对图学习模型的影响，并提出了新的伪标记形式和框架，展示了其在医学图像分割和多标签分类中的有效性。
❓
Q&A
InPL方法是如何提高分类精度的？
InPL方法通过样本位置评分，避免依赖模型置信度，从而显著提高了CIFAR10-LT数据集的分类精度，提升了3%的绝对准确度。
什么是BPLS伪标签选择方法？
BPLS是一种具有Bayesian框架的伪标签选择方法，使用解析近似选择标签实例，优于传统的伪标签选择方法。
CALL方法如何改善预训练语言模型的置信度校准？
CALL方法结合了置信度惩罚损失、数据增强和集成方法，弥补了单独使用校准方法的缺陷，提高了分类和校准精度。
SegPL方法在医学图像分割中表现如何？
SegPL方法在2D多类MRI脑肿瘤和3D二进制CT肺血管分割任务中表现出色，证明了其效力和可靠性。
伪标记策略对图学习模型有什么影响？
伪标记策略影响图学习模型的收敛性，错误分析表明伪标记错误受置信度和多视图预测一致性的限制。
如何通过联合能量模型训练提高文本编码器的准确性？
通过在预训练文本编码器微调期间进行联合能量模型训练，并引入噪声对比估计和掩码语言模型目标，可以提高模型的准确性。
🏷️
