融合条件子模态 GAN 与程序化弱监督
计算机视觉与模式识别
2023-12-19 v1
摘要
程序化弱监督（PWS）和生成模型作为关键工具，使研究人员能够在不依赖费力的数据收集和手动标注过程的情况下，最大化现有数据集的效用。PWS 使用各种弱监督技术来估计数据的潜在类别标签，而生成模型主要集中于从给定数据集的潜在分布中进行采样。尽管这些方法具有互补的潜力，但它们大多被独立研究。最近，WSGAN 提出了一种融合这两种模型的机制。他们的方法利用 InfoGAN 的离散潜变量来训练标签模型，并利用标签模型的类相关信息来生成特定类别的图像。然而，InfoGAN 学习到的解耦潜变量不一定具有类别特异性，可能影响标签模型的准确性。此外，标签模型做出的预测本质上通常带有噪声，可能对 GAN 生成的图像质量产生不利影响。在我们的工作中，我们通过以下方式应对这些挑战： 实现一个使用标签模型生成的伪标签的噪声感知分类器； 利用噪声感知分类器的预测来训练标签模型并生成类条件图像。此外，我们还研究了在定义的伪标签不确定性预算内，使用数据集子集训练分类器的效果。我们通过将子集选择问题形式化为以伪标签熵上的背包约束为条件的子模态最大化目标来实现这一点。我们在多个数据集上进行了实验，并证明了我们的方法在多项任务上相对于当前 SOTA 方法的有效性。
引用
@article{arxiv.2312.10366,
title = {Fusing Conditional Submodular GAN and Programmatic Weak Supervision},
author = {Kumar Shubham and Pranav Sastry and Prathosh AP},
journal= {arXiv preprint arXiv:2312.10366},
year = {2023}
}
备注
Published in AAAI 2024