一种基于正则化共形预测的不确定性感知伪标签选择框架
机器学习
2023-09-29 v1
摘要
基于一致性正则化的方法因其卓越性能在半监督学习(SSL)算法中十分流行。然而,它们主要依赖于特定领域的数据增强,而在数据增强较难适用的领域中无法使用。另一方面,伪标签(PL)是一种通用且与领域无关的SSL方法,与基于一致性正则化的方法不同,它不依赖于领域。PL由于校准不良的模型产生错误的高置信度预测而表现不佳。本文提出了一种不确定性感知伪标签选择框架,该框架利用共形正则化算法得到的不确定性集来修正校准不良的神经网络的缺陷,从而减少噪声训练数据。本工作的代码可在 https://github.com/matinmoezzi/ups_conformal_classification 获取。
引用
@article{arxiv.2309.15963,
title = {An Uncertainty-Aware Pseudo-Label Selection Framework using Regularized Conformal Prediction},
author = {Matin Moezzi},
journal= {arXiv preprint arXiv:2309.15963},
year = {2023}
}