55、从互补标签学习到概率估计及半监督文本分类的研究进展

从互补标签学习到概率估计及半监督文本分类的研究进展

互补标签学习的实验与分析

在互补标签学习（Complementary-Label Learning，CLL）领域，研究人员进行了一系列实验来探索不同方法和模型的性能。

1. 不同方法在不同数据集上的分类准确率对比

   • 研究人员对比了多种方法在MNIST、Fashion-MNIST和Kuzushiji-MNIST数据集上的测试分类准确率，包括URE-GA、SCL、DM、Fwd、CPE - I、CPE - F和CPE - T等方法。实验分两部分，上半部分对比不同转移矩阵下的准确率，下半部分对比不同噪声水平（λ取值分别为0.1、0.2和0.5）下的准确率。
   • 例如，在MNIST数据集无噪声的均匀转移矩阵（Unif）情况下，CPE - F和CPE - T的准确率达到了94.4 ± 0.2和92.8 ± 0.6 ，相比URE - GA的90.3 ± 0.2 表现更好。而在噪声水平λ = 0.5时，各方法的准确率普遍下降，但CPE - F和CPE - T仍相对稳定。
     | 数据集 | 方法 | Unif | Weak | Strong | λ = 0.1 | λ = 0.2 | λ = 0.5 |
     | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
     | MNIST | URE - GA | 90.3 ± 0.2 | 87.8 ± 0.9 | 33.8 ± 8.1 | 31.8 ± 6.4 | 27.8 ± 8.2 | 28.1 ± 4.1 |