SeBA：基于分离-生存对齐的半监督少样本学习
机器学习
2026-05-12 v1
摘要
从稀缺标记数据和较大池子无标记样本中学习，称为半监督少样本学习(SS-FSL)，对于涉及医疗、金融和科学等领域的表格数据仍至关重要。现有的SS-FSL方法常依赖针对视觉或语言开发的自监督学习(SSL)框架，这些框架假设存在自然的数据增强形式。对于表格数据，定义有意义的增强方法并困难且容易扭曲语义，限制了常规SSL的有效性。在本工作中，我们重新思考表格数据的SSL，提出Separated-at-Birth Alignment(SeBA)，一种无需依赖增强方法的SS-FSL联合嵌入框架。我们的核心思想是将数据分解为两个独立但互补的视图，并将一个视图的表示对齐到第二个视图中数据的最近邻对应关系。我们的实验评估并得到理论分析支持，证明SeBA生成的输出空间改善了特征-标签关系。在各种基准数据集上的实验研究表明，SeBA在大多数情况下实现了最先进的性能，为表格数据的SS-FSL范式开辟了新方向。
引用
@article{arxiv.2605.08519,
title = {SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data},
author = {Kacper Jurek and Wojciech Batko and Marek Śmieja and Marcin Przewięźlikowski},
journal= {arXiv preprint arXiv:2605.08519},
year = {2026}
}