使用贝塔散度的变分自监督对比学习
计算机视觉与模式识别
2024-05-09 v3 机器学习
摘要
在多标签设置下，使用无标签和噪声数据学习判别性语义空间仍然是一个未解决的问题。我们提出了一种对数据噪声鲁棒的对比自监督学习方法，该方法基于变分方法领域。该方法（VCL）利用基于贝塔散度的变分对比学习，从无标签数据集（包括未整理和噪声数据集）中鲁棒地学习。我们通过严格的实验（包括线性评估和在面部理解领域多标签数据集上的微调场景）证明了所提出方法的有效性。在几乎所有测试场景中，VCL都超越了最先进的自监督方法的性能，实现了显著的准确率提升。
引用
@article{arxiv.2312.00824,
title = {Variational Self-Supervised Contrastive Learning Using Beta Divergence},
author = {Mehmet Can Yavuz and Berrin Yanikoglu},
journal= {arXiv preprint arXiv:2312.00824},
year = {2024}
}