ProSub：基于子空间的概率开集半监督学习
机器学习
2026-01-26 v2 计算机视觉与模式识别
机器学习
摘要
在开集半监督学习（OSSL）中，我们考虑可能包含未知类别的无标签数据集。现有的OSSL方法通常使用softmax置信度对数据分类为分布内（ID）或分布外（OOD），此外，许多OSSL研究依赖于用于ID/OOD分类的任意阈值，而不考虑问题的统计特性。我们提出一种基于特征空间中数据与ID子空间之间夹角的新评分，用于ID/OOD分类。此外，我们提出一种方法来估计给定ID或OOD数据后验得分分布，从而实现对数据为ID或OOD的概率预测。将这些组件组合起来，形成一个用于OSSL的框架，称为ProSub，该框架在几个基准问题上实验性地达到了SOTA性能。我们的代码已公开：https://github.com/walline/prosub。
引用
@article{arxiv.2407.11735,
title = {ProSub: Probabilistic Open-Set Semi-Supervised Learning with Subspace-Based Out-of-Distribution Detection},
author = {Erik Wallin and Lennart Svensson and Fredrik Kahl and Lars Hammarstrand},
journal= {arXiv preprint arXiv:2407.11735},
year = {2026}
}
备注
ECCV2024