RankMatch：一种利用标签间相关性的半监督标签分布学习新方法
机器学习
2023-12-12 v1
摘要
本文介绍了RankMatch，一种用于半监督标签分布学习（SSLDL）的创新方法。为应对标注数据有限的挑战，RankMatch有效地利用了少量标注样本与大量未标注数据，减少了深度神经网络（DNN）应用中对大量人工标注的需求。具体而言，RankMatch引入了一种受集成学习启发的平均策略，从多个弱增强图像中创建伪标签分布。这不仅稳定了预测，还增强了模型的鲁棒性。除此之外，RankMatch整合了一个成对相关性排序（PRR）损失，捕捉复杂的标签间相关性，并确保预测的标签分布与真实值一致。我们为RankMatch建立了一个理论泛化界，并通过大量实验证明了其在性能上优于现有的SSLDL方法。
引用
@article{arxiv.2312.06343,
title = {RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations},
author = {Kouzhiqiang Yucheng Xie and Jing Wang and Yuheng Jia and Boyu Shi and Xin Geng},
journal= {arXiv preprint arXiv:2312.06343},
year = {2023}
}