BriefGPT - AI 论文速递
·
Utility of Uncertainty-aware Long-tailed Weights Model Pseudo-labels in Semi-supervised Learning
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究探讨了半监督学习中伪标签过滤的缺陷，提出了一种不确定性意识的集成结构（UES），并将伪标签建模为长尾权重，以增强模型的鲁棒性。实验结果显示，该方法在多个数据集上显著提升了模型性能。
🎯
关键要点
- 本研究探讨了半监督学习中伪标签过滤的两大缺陷：合理阈值设定和深度模型的过度自信现象。
- 提出了一种不确定性意识的集成结构（UES），以增强模型的鲁棒性。
- 伪标签的效用被建模为长尾权重，旨在改善模型性能。
- 实验结果显示，该方法在多个数据集上显著提升了模型的性能，具有广泛的应用潜力。
➡️
