偏标记学习+图像分类

偏标记学习方法复现与效果演示
最新推荐文章于 2025-03-22 22:39:32 发布
原创 最新推荐文章于 2025-03-22 22:39:32 发布 · 1.2k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #人工智能


✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：人工智能、话题分享

欢迎访问我的主页：Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

 

概述

本文复现论文 Progressive Identification of True Labels for Partial-Label Learning[1] 提出的偏标记学习方法。

随着深度神经网络的发展，机器学习任务对标注数据的需求不断增加。然而，大量的标注数据十分依赖人力资源与标注者的专业知识。弱监督学习可以有效缓解这一问题，因其不需要完全且准确的标注数据。该论文关注一个重要的弱监督学习问题——偏标记学习（Partial Label Learning），其中每个训练实例与一组候选标签相关联，但仅有一个标签是真实的。

该论文提

最低0.47元/天 解锁文章
偏标记学习+图像分类（论文复现）
wei_shuo的博客
10-04 1891
偏标记学习+图像分类（论文复现）
【传知代码】偏标记学习+图像分类（论文复现）
ztK63LrD的博客
06-05 1047
随着深度神经网络技术的不断进步，对于标注数据在机器学习任务中的需求也在持续上升。然而，大规模的标注数据高度依赖于人力资源和标注者的专业技能。弱监督学习方法能够有效地解决这个问题，因为它并不需要完整且精确的数据标注。这篇论文集中探讨了一个关键的弱监督学习难题，即偏标记学习（Partial Label Learning），在这个问题中，每一个训练案例都与一组可能的标签有关，但只有其中一个标签是真实存在的，如下图所示：本文复现论文地址。
Partial Label Learning via Gaussian Processes
的博客
01-12 1227
摘要 偏标记学习（PL）是一种新的弱监督机器学习框架，它解决了每个训练样本与其实际标签的候选集相关联的问题。由于精确标记的数据通常昂贵且难以在实践中获得，PL可以广泛应用于许多实际任务中。然而，由于训练数据的模糊性不可避免地使这种学习框架难以解决，目前只有少数算法可用。本文利用高斯过程模型，提出了一种新的概率核算法。其主要思想是假设一个不可观测的潜在函数，在每个类别标签的特征空间上具有高斯过程。然后定义一个新的似然函数，对训练数据传递的模糊标记信息进行消歧。通过引入聚合函数来逼近似然函数中的max（·）函
General Partial Label Learning via Dual Bipartite Graph Autoencoder
qq_45312141的博客
09-15 415
General Partial Label Learning via Dual Bipartite Graph Autoencoder1、Abstract二级目录三级目录 1、Abstract 本文创新点 1、将PLL（Partial Label Learning）PLL（Partial\ Label\ Learning）PLL（Partial Label Learning）扩充到GPLL（General Partial Label Le
Disambiguation-Free Partial Label Learning无歧义部分标记学习
的博客
01-09 1651
相关工作：PL训练示例传递的监督信息是隐式的，因为地面真实值标签隐藏在候选标签集中。因此，部分标记学习可以看做是一个具有隐含标记信息的弱监督学习框架。它介于监督谱的两端，即显性监督的监督学习和盲目监督的非监督学习。部分标记学习和其他流行的弱监督学习框架相关，如半监督学习，多实例学习和多标记学习。然而，通过部分标签学习处理的弱监督信息的类型不同于那些对应的框架， 半监督学习的任务是从少量标记的示例和大量未标记的示例中学习。对于未标记示例和Pl示例，学习系统都无法访问地面真实标记信息，但有区别。 半监.
《Partial-label learning with a guided Prototypical classifier》23年CVPR 文献速读
最新发布
qq_52810166的博客
03-22 1161
PaPi框架通过改进表示学习和标签去歧义的策略（去除了对比学习模块），在部分标签学习任务中取得了显著的性能提升。它在多种数据集和歧义水平下均表现出色，尤其是在面对高歧义和实例依赖歧义时。此外，PaPi还展示了其在学习有效表示和原型分类器方面的优势。未来的工作可以进一步探索PaPi在其他领域（如自然语言处理或语音识别）中的应用，或者研究如何进一步优化PaPi以处理更复杂的数据分布和标注噪声。自教学能够有效地利用未标注数据，逐步改进模型的预测能力，并具有较强的适应性。
2020--AAAI “General Partial Label Learning via Dual Bipartite Graph Autoencoder” 论文 阅读笔记
qq_25174285的博客
08-25 1165
2020--AAAI “General Partial Label Learning via Dual Bipartite Graph Autoencoder”背景方法问题定义构建双重二分图构建图自动编码器实验总结 作者提出了一个实际但有挑战性的问题: 通用部分标签学习(General Partial Label Learning，GPLL)。相比传统的部分标签学习(Partial Label Learning，PLL)问题, GPLL将监督假设从实例级别（标签集部分标记一个实例）放到了组级别: 1)标签集
【学习笔记】标签噪声下利用深度学习进行图像分类任务——概述
Ace2NoU的博客
12-20 8333
论文地址 [1912.05170v1] Image Classification with Deep Learning in the Presence of Noisy Labels: A Survey (arxiv.org)https://arxiv.org/abs/1912.05170v1 Abstract 用于进行图像分类的神经网络需要大量的标记数据来进行适当的训练。但是，由于分类的困难和标记过程的高代价，使得标签噪声是数据集中普遍存在的问题。 众所周知，深度网络对标签噪声具有一定的鲁棒性..
【机器学习】基于3D CNN通过CT图像分类预测肺炎
MUKAMO的博客
06-11 5573
本文深入探讨了3D卷积神经网络（3D CNN）在CT图像肺炎分类预测中的应用。通过构建高效的3D CNN模型，结合精确的数据预处理和增强技术，实验结果表明该模型在医学影像诊断中具有显著的潜力。尽管面临数据规模和计算资源的挑战，但通过模型优化和跨学科合作，有望进一步提升性能。未来研究将着眼于扩大数据集、优化网络结构、提高模型解释性，并推动3D CNN在临床实践中的应用，以实现更准确的疾病诊断和更高效的医疗服务。
#Paper Reading# Towards Enabling Binary Decomposition for Partial Label Learning
John159151的专栏
12-08 846
论文题目：Towards Enabling Binary Decomposition for Partial Label Learning 论文地址：http://cse.seu.edu.cn/people/zhangml/files/IJCAI'18.pdf 论文发表于：IJCAI 2018（CCF A类会议） 论文大体内容： 本文主要采用两层分类器来解决偏标记学习问题，通过one-vs-on...
multi-label 和 partial label learning，以及partial multi-label论文笔记.zip
06-01
读的一些关于multi-label 和 partial label learning，以及partial multi-label等的笔记
Maximum margin partial label learning
的博客
01-16 569
摘要:部分标签学习的目的是从训练样本中学习，每个训练样本都有一组标签，其中只有一个标签对训练样本有效。从部分标签示例学习的基本策略是消歧，即通过尝试从候选标签集中恢复基本真理标签信息。作为一种流行的机器学习模式，最大裕度技术被用来解决部分标签学习问题。现有的尝试通过优化候选标签和非候选标签的最大建模输出之间的间距来执行消歧。尽管如此，该公式忽略了考虑“地面真相”标签和其他候选标签之间的差距。本文提出了一种新的局部标签学习的最大裕度公式，它直接优化了groundtruth标签和所有其他标签之间的裕度。具体地说
PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING
没有期待的日子反而会顺顺利利
05-22 1265
部分标签学习(PLL)是一个重要的问题，它允许每个训练示例使用一个粗略的候选集进行标记，这非常适合许多具有标签模糊性的真实数据标注场景。尽管有这样的承诺，PLL的性能往往落后于监督的同类产品。 在这项工作中，我们通过在一个连贯的框架中解决PLL表征学习和标签消歧中的两个关键研究挑战来弥合这一差距。具体来说，我们提出的框架PiCO包括一个对比学习模块和一个新的基于类原型的标签消歧算法。 PiCO为来...
ICLR 2022：​PiCO，基于对比消歧的偏标签学习 丨AI Drive
shujushizhanpai的博客
05-22 1691
偏标签学习 (Partial Label Learning, PLL) 是一个经典的弱监督学习问题，它允许每个训练样本关联一个候选的标签集合，适用于许多具有标签不确定性和歧义的的现实世界数据标注场景。 然而，现存的 PLL 算法与完全监督下的方法依然存在较大差距。 针对这一现象，本期 AI Drive，浙江大学人工智能系在读博士-王皓波，解读其发表在 ICLR 2022的最新研究成果：PiCO：基于对比消歧的偏标签学习。 这项研究提出一个协同的框架，解决 PLL 中的两个关键研究挑战——表征学习和标签消歧.
偏标记学习（大杂烩，有点乱）
qq_40819395的博客
02-18 4751
别名：模糊标记学习，超集标记学习。 传统监督学习里面有一个重要概念就是标记，通常叫做监督信息。”而监督信息的质量很大程度上决定着监督学习问题的成败。 强监督 强监督假设能充分标记信息，从而在训练集当中获得充分的标记训练样本 强监督假设通常假设这个标记信息是明确（无歧义），且每个标记对象是唯一的。 弱监督 半监督 多标记 多示例 偏标记 偏标记学习例子 假设现在有一幅油画，请大家判断一下是什幺风格。不同人给出不同答案，这样便可以获得关于这个对象多个侯选标记，但显然在多个标记当中只有一个标记是正确的。
【荐读IEEE TPAMI】关于部分标签学习平均损失的鲁棒性
小白学视觉
05-14 385
点击上方“计算机书童”，选择加"星标"或“置顶”顶会论文解读，第一时间分题目：On the Robustness of Average Losses for Partial-Label Learning关于部分标签学习平均损失的鲁棒性作者：Jiaqi Lv; Biao Liu; Gang Niu; LeiFeng ,NingXu; XinGeng; MiaoXu; BoAn; Masashi Su...
各种监督学习范式（强监督、半监督、多标记、偏标记、多示例、多示例多标记、标记分布...）
佚失的诗篇
09-29 3777
参考 张敏灵.偏标记学习研究综述[J].数据采集与处理,2015,30(01):77-87. 季荣姿. 标记分布学习及其应用[D]. 东南大学. 周志华 张敏灵 MIML：多示例多标记学习 本文介绍监督学习的七种范式 文章目录1. 强监督学习（单示例单标记）2. 半监督学习（单示例部分单标记）3. 多示例学习（多示例单标记）4. 多标记学习（单示例多标记）5. 多示例多标记学习（多示例多标记）6. 偏标记学习（单示例真标记伪标记）7. 标记分布学习（单示例分布标记） 1. 强监督学习（单示例单.
你知道什么是偏标记学习吗
Y666_788的博客
08-17 550
偏标记学习的目标是通过这些偏标记样本来进行模型训练和预测，从而在标记不充分的情况下取得较好的性能。总之，偏标记学习作为机器学习领域的新兴研究方向，为我们提供了一种全新的思维方式，来处理标记不充分的问题。偏标记学习（Partial Label Learning）便是其中一颗闪亮的明珠，它通过克服传统标记不充分的问题，为我们提供了更为灵活的学习方式。适应现实场景： 在许多现实场景下，样本的标记可能是不完整或不确定的，偏标记学习可以更好地适应这些情况，提供更真实的解决方案。偏标记学习的应用领域。
无消歧的偏标记学习（2017）
fan2312的博客
08-24 1315
原文链接：http://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14210 研究动机 基于消歧的策略易于被和真值标签在样本候选标签集中同时出现的假阳性标签误导而性能下降，候选集越大，性能下降越多 多分类器分解为二分类器 多分类器集成的最流行机制是使用一对余或一对一分解将学习任务分解 一对余分解：学习任务分解为多个二分类器。对每个二分类器：一...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值