RankUp：利用辅助排序分类器提升半监督回归性能
机器学习
2024-10-30 v1 计算与语言
计算机视觉与模式识别
声音
音频与语音处理
摘要
最先进的（SOTA）半监督学习技术，如FixMatch及其变体，在分类任务中展现了令人印象深刻的性能。然而，这些方法并不直接适用于回归任务。在本文中，我们提出了RankUp，这是一种简单而有效的方法，它通过适配现有的半监督分类技术来提升回归任务的性能。RankUp通过将原始回归任务转换为一个排序问题，并使其与原始回归目标同时训练来实现这一点。这个辅助排序分类器输出一个分类结果，从而能够与现有的半监督分类方法集成。此外，我们引入了回归分布对齐（RDA），这是一种互补技术，通过分布对齐来细化伪标签，从而进一步增强RankUp的性能。尽管方法简单，但无论是否使用RDA，RankUp在包括计算机视觉、音频和自然语言处理任务在内的一系列回归基准测试中都取得了SOTA结果。我们的代码和日志数据已在https://github.com/pm25/semi-supervised-regression开源。
引用
@article{arxiv.2410.22124,
title = {RankUp: Boosting Semi-Supervised Regression with an Auxiliary Ranking Classifier},
author = {Pin-Yen Huang and Szu-Wei Fu and Yu Tsao},
journal= {arXiv preprint arXiv:2410.22124},
year = {2024}
}
备注
Accepted at NeurIPS 2024 (Poster)