面向开放世界的半监督学习：基于提示驱动的特征扩散
机器学习
2024-04-19 v1 人工智能
计算机视觉与模式识别
摘要
本文提出一种新颖的方法，称为提示驱动特征扩散（Prompt-Driven Feature Diffusion, PDFD），其置于半监督学习框架内，用于开放世界半监督学习（Open World Semi-Supervised Learning, OW-SSL）。PDFD 的核心是部署一种以类特定提示为指导的高效特征级扩散模型，以支持判别性特征表示学习和特征生成，解决 OW-SSL 中因缺乏未知类别标签数据而面临的挑战。具体而言，PDFD 将类原型作为提示在扩散模型中使用，利用其类判别性和语义泛化能力，对扩散过程进行条件化和引导，涵盖所有已知和未知类别。此外，PDFD 引入基于类条件的对抗损失用于扩散模型训练，确保通过扩散过程生成的特征能够与真实数据的类条件特征实现判别性对齐。此外，PDFD 仅利用半监督学习框架中对未知类别具有高置信度预测的无标签实例计算其类原型。我们进行了大量实验以评估所提的 PDFD。实证结果表明，PDFD 在许多最先进方法上均展现出显著的性能提升。
引用
@article{arxiv.2404.11795,
title = {Prompt-Driven Feature Diffusion for Open-World Semi-Supervised Learning},
author = {Marzi Heidari and Hanping Zhang and Yuhong Guo},
journal= {arXiv preprint arXiv:2404.11795},
year = {2024}
}