BriefGPT - AI 论文速递
·
VCC-INFUSE: 半监督学习中准确高效的未标记样本选择
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文介绍了Variational Confidence Calibration (VCC)和Influence-Function-based Unlabeled Sample Elimination (INFUSE)两种方法。VCC使用Variational Autoencoder选择更准确的伪标签，INFUSE是一种数据修剪方法，用于构建无标签样本的核心数据集。这些方法在多个数据集和设置中都非常有效，可以减少分类错误率并节省训练时间。在CIFAR-100数据集上，VCC-INFUSE将FlexMatch的错误率降低了1.08%，同时节省了近一半的训练时间。
🎯
关键要点
- 提出了两种方法：Variational Confidence Calibration (VCC) 和 Influence-Function-based Unlabeled Sample Elimination (INFUSE)
- VCC 使用 Variational Autoencoder 来选择更准确的伪标签
- INFUSE 是一种数据修剪方法，用于构建无标签样本的核心数据集
- 这些方法在多个数据集和设置中非常有效
- 可以减少分类错误率并节省训练时间
- 在 CIFAR-100 数据集上，VCC-INFUSE 将 FlexMatch 的错误率降低了 1.08%
- 同时节省了近一半的训练时间
➡️
