面向可靠半监督学习的对比可信度传播
机器学习
2024-04-03 v4
摘要
为无标签数据生成标签容易出错，使得半监督学习（SSL）颇为棘手。通常，人们很少了解算法何时以及为何未能超越有监督基线。使用基准数据集，我们构建了五种常见的现实世界SSL数据场景：少标签、开集、噪声标签，以及有标签与无标签集中的类分布不平衡/错位。我们提出了一种称为对比可信度传播（CCP）的新算法，通过迭代直推式伪标签精炼实现深度SSL。CCP将半监督学习与噪声标签学习统一起来，旨在任何数据场景下可靠地超越有监督基线。相较于关注部分场景的先前方法，CCP独特地在所有场景中均超越有监督基线，在标注或无标注数据质量未知时为从业者提供支持。
引用
@article{arxiv.2211.09929,
title = {Contrastive Credibility Propagation for Reliable Semi-Supervised Learning},
author = {Brody Kutt and Pralay Ramteke and Xavier Mignot and Pamela Toman and Nandini Ramanan and Sujit Rokka Chhetri and Shan Huang and Min Du and William Hewlett},
journal= {arXiv preprint arXiv:2211.09929},
year = {2024}
}
备注
Accepted to AAAI '24