标签
RoleHear 是一种半监督流水线,它通过轻量级的词表内角色标记,使单个具备缓存感知能力的流式转导器能够在输出中内嵌说话人角色,并利用离线教师模型生成伪标签,利用大语言模型为未标注音频生成银标准角色标签。
该论文提出 EGiME(熵引导模型评估),一种基于特征空间聚类结构的半监督准则,无需分类器训练即可在少样本场景下评估预训练模型,在五个基准上与真实准确率相关性达 0.966,并比有监督基线提供更稳定的模型排名。
CoGameReg 提出一种基于合作博弈的协同半监督回归框架,利用三方博弈沙普利机制为异构回归器加权并构建共享伪标签,用于稀疏井标签条件下的地震储层属性预测,并在基准数据集与油田盲井验证中取得更优表现。
本文提出了一种半监督联邦ASR的实用方案,采用在线伪标签和服务器更新稳定化,在域内和跨域设置中均展示了相对于先前方法的显著改进。
本文介绍了R-U-Net,一种ECG分界模型,将ResNet-18编码器与U-Net解码器配对,在半监督学习设置中取得了优于现有方法的性能。
本文提出了一种高效标签传播的代数多重网格加速框架(AMELS),通过整合代数多重网格求解器和快速邻域图构建,提高了大规模数据集上标签传播的可扩展性和运行时效率。
本文介绍了高斯桥一致性(GBC),一种用于长尾半监督学习的新框架,它利用高斯特征桥梁来提高泛化能力并减少确认偏差,并在CIFAR10-LT和ImageNet-LT等基准上进行了验证。
本文介绍了C-Score,一个用于评估在开放世界无标签污染下的伪标签半监督学习的诊断框架,表明干净准确性不足以检测隐藏的性能退化。
StreamHear是一个半监督流水线,它通过在有标签数据上微调教师模型、为无标签数据生成伪标签、并在混合数据上微调学生模型,来适应域偏移音频的流式语音识别,并引入一个重新对齐步骤以改善词定位。
本文介绍了CW-BASS v2,一种用于半监督语义分割的饱和度感知伪标签选择方法,该方法根据教师的可靠性在严格过滤和自适应置信度下限之间自适应切换。使用DINOv2教师,在多个基准测试上显示了优于基线的结果。
CLOE是一种新的半监督异常检测方法,结合了自编码器与基于Christoffel函数的检测器,通过一种新颖的损失函数来改进表示学习。该方法在高维表格数据上取得了最先进的结果,同时保持了简单性。
提出了STAD,一种半监督框架,利用Wasserstein距离、双路径编码器和基于LLM的文本合成来蒸馏文本属性图,以实现性能与压缩之间的最先进权衡。
本文提出了一种决策感知的弱到强(W2S)学习框架,该框架利用有限的标注数据训练一个弱模型,然后由该模型在未标注数据上生成软监督信号,用于训练一个强模型,以改进上下文随机优化。理论界限和实证实验表明,当弱特征表示与强特征表示之间的相关性较小时,大量未标注数据能够降低下游决策风险。
本文提出了一种广义无分布半监督学习框架,通过线性组合组件风险构建无偏风险估计器,将PNU学习扩展到多类分类,同时实现更低方差并提供泛化界限。
PixCon 提出了一种用于半监督语义分割的干净正样本像素对比框架,通过每类记忆库保证正样本集无污染,在 Pascal VOC、Cityscapes 和 ADE20K 等基准上的准确率优于现有方法。
PRISM是一个新颖的跨被试脑电图情绪识别框架,它通过轻量级专家集成实现优先级通道重要性加权,并结合使用置信度过滤伪标签的半监督领域适应,在DEAP、DREAMER和SEED数据集上取得了最先进的结果。
本文介绍了SemiScope,一种旨在将半监督安全分类中分类器调优的影响与联合SSL及分类器优化的影响分离开来的分析工具。结果表明,通过贝叶斯优化简单地调整分类器及其决策阈值,即可恢复大部分归因于联合优化的性能提升。
本文提出了一种基于半监督学习的测试时自适应方法,用于AI文本检测,能够适应来自新LLM、对抗性人工化和时间漂移的持续分布变化,性能优于最先进的监督式检测器。
ModTGCN是一种模块化感知的图神经网络,通过联合优化交叉熵和基于模块化的辅助目标,利用文档图中的全局社区结构来改进文本分类,在五个基准测试上实现了持续的增益。
DeepRHP是一种混合变分自编码器,能够指导随机杂聚物作为蛋白质模拟物的设计,并通过稳定非天然环境中的膜蛋白(如Aquaporin Z)得到了验证。