BriefGPT - AI 论文速递
·
SemiGPC：使用高斯过程进行的分布感知标签细化解决不平衡半监督学习
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种基于高斯过程的分布感知标签细化策略SemiGPC，可以提高半监督方法和预训练策略的性能，在不同类别不平衡程度下取得最先进的结果。使用SemiGPC还能提高约2%的平均准确率。
🎯
关键要点
-
本文介绍了一种基于高斯过程的分布感知标签细化策略SemiGPC。
-
SemiGPC通过包含归一化项解决全局数据分布不平衡问题，同时保持局部敏感度。
-
该策略特别适用于确认偏差和类别不平衡条件下的半监督学习。
-
研究表明，SemiGPC在与多种半监督方法和预训练策略配对时能提高性能。
-
在CIFAR10-LT/CIFAR100-LT等标准数据集上，SemiGPC取得了最先进的结果。
-
在更具挑战性的基准测试上，使用SemiGPC可提高约2%的平均准确率。
➡️
