本文介绍了多种新方法解决部分标签学习和多实例多标记学习问题,包括MIMLfast、NCPD和PiCO框架。这些方法通过优化损失函数、消歧策略和对抗学习等手段,提高了模型在复杂数据集上的性能和鲁棒性,实验结果显示优于现有算法。
本文研究了多种评分规则在概率预测模型中的应用,发现对数评分规则在高不确定性下表现优越,而球形评分规则在低不确定性下更佳。同时,提出了排序概率得分(RPS)作为医学图像分级的性能指标,并探讨了偏标记学习策略及其鲁棒性,提出了新颖的部分标签学习框架以应对大规模数据的计算复杂度。
本文综述了部分标签学习(PLL)的进展,包括提出分类风险估计器以解决大规模数据计算瓶颈,IRNet通过噪声检测与标签修正处理噪声PLL,NPN结合负学习与标签模糊辨别,SoLar用最优传输做标签消歧,UPLLRS两阶段分离可靠标签,FsPLL适应小样本,PiCO用对比学习与原型消歧,以及对手感知学习、URRL鲁棒对比学习和PaPi原型分类器等方法。
该文综述部分标签学习研究,利用众包标注、伪标签与对比学习、概率生成模型、自我训练、非对称损失等方法,解决标注不足与歧义问题,在文本分类、对象分类、医学图像分割和回归任务中提升准确率与消歧能力,并探讨零样本分类应用。
该文汇总多篇机器学习研究,涵盖部分标签学习、图像聚类、无监督分割、图像检索与压缩。核心方法包括PiCO、PaPi、DEPICT、PIC、PSD、TIC,利用对比学习、原型分类、知识蒸馏和Transformer提升性能,部分方法在基准测试中超越现有技术,甚至接近全监督学习。
本文介绍了一种新的合作分类器和相互监督范式,用于改进部分标签学习方法的性能和消歧能力。该方法能够识别和纠正错误标记的样本,并通过模糊机制来防止对特定标签的过度自信。实验证明,该方法显著提高了多种经典和基于深度学习的部分标签学习方法的性能。
完成下面两步后,将自动完成登录并继续当前操作。