The Weakly-Labeled Rand Index
University of Florida（佛罗里达大学）；University of Missouri（密苏里大学）
合成孔径声纳（SAS）测量产生的图像具有海底类型之间的大面积过渡区域。由于这些区域，很难标记和分割图像，此外，具有挑战性的评分图像分割适当。虽然有许多方法可以量化标准清晰分割方案的性能，但在存在梯度和不确定区域的遥感图像中绘制硬边界是不合适的。这些病例需要弱标签和相关的适当评分方法。在本文中，一个标签的方法和相关的修改版本的弱标记数据的兰德指数介绍，以解决这些问题。结果与新的指标进行评估，并与传统的分割评价方法。在包含必须链接和不能链接标签的SAS数据集上的实验结果表明，我们的弱标记兰德指数在定性性能方面对分割进行了适当的评分，并且比传统的定量指标更适合对弱标记数据进行评分。
2021-03-09 cs.CV cs.LG eess.IV
Cluster-Based Learning from Weakly Labeled Bags in Digital Pathology
Sunnybrook Research Institute（桑尼布鲁克研究所）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
为了减轻在训练深度神经网络时收集详细专家注释的负担，我们提出了一种弱监督学习方法来识别乳腺淋巴结显微图像中的转移灶。我们描述了一种替代的训练损失，它在潜在空间中聚类弱标记的袋子，以在卷积神经网络的训练过程中告知补丁实例的相关性。我们在Camelyon数据集上评估了我们的方法，该数据集包含乳腺淋巴结的高分辨率数字幻灯片，其中在图像级别提供标签，并且在训练期间仅提供补丁的子集。
2018-11-28 cs.CV cs.LG stat.ML
Weakly Labeled Sound Event Detection Using Tri-training and Adversarial Learning
Qualcomm AI Research（高通人工智能研究院）；Qualcomm Technologies, Inc.（高通技术公司）
本文考虑了一个半监督学习框架，通过结合三重训练和对抗学习来解决DCASE 2019挑战任务4的弱标记复调声音事件检测问题。task 4的目标是检测单个音频片段中多个声音事件的起始和偏移。整个数据集由具有强标记（具有边界的声音事件标记）的合成数据和具有弱标记（声音事件标记）的真实数据以及未标记数据集组成。给定这个数据集，我们应用三训练，其中两个不同的分类器用于在弱标记和未标记数据集上获得伪标签，并且最终分类器使用强标记数据集和具有伪标签的弱/未标记数据集进行训练。此外，我们应用对抗学习来减少真实数据集和合成数据集之间的域差距。我们使用task 4数据集的验证集评估了我们的学习框架，在实验中，我们的学习框架显示出比基线模型有相当大的性能改进。
2019-10-14 cs.LG cs.SD eess.AS
Learning to Estimate Driver Drowsiness from Car Acceleration Sensors using Weakly Labeled Data
IBM Research - Tokyo（IBM研究院-东京）
本文讨论了从汽车加速度传感器的信号估计驾驶员困倦的学习任务。由于即使驾驶员自己也不能及时地感知他们自己的困倦，除非他们使用繁重的侵入式传感器，因此获得每个时间戳的标记训练数据不是现实的目标。为了解决这一问题，我们将任务定义为弱监督学习。我们只需要为每个完整的行程添加标签，而不是独立地为每个时间戳添加标签。通过假设驾驶员困倦的某些方面会随着时间的推移而增加，我们制定了一个算法，可以从这种弱标记数据中学习。我们推导出一个可扩展的随机优化方法作为实现算法的一种方式。在真实驾驶数据集上的数值实验表明了该算法相对于基线方法的优势。
2020-05-12 cs.LG eess.SP stat.ML
Guided learning for weakly-labeled semi-supervised sound event detection
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
提出了一种简单有效的弱标记半监督声音事件检测的引导学习方法。在弱标记SED中包含两个子目标：音频标记和边界检测。我们设计了一个针对音频标记的教师模型来指导一个针对边界检测的学生模型使用未标记数据进行学习，而不是通过考虑两个子目标之间的权衡来设计单个模型。两种模型的音频标记性能差距保证了指导性。同时，学生模型从权衡中解放出来，能够提供更优秀的边界检测结果。我们提出了一个原则，设计这样的两个模型的时间压缩尺度和两个子目标之间的关系的基础上。我们还提出了一个端到端的半监督学习过程，这两个模型，使他们的能力交替上升。在DCASE2018 Task4数据集上的实验表明，我们的方法具有竞争力的性能。
2020-02-04 cs.LG stat.ML
Self-supervised Attention Model for Weakly Labeled Audio Event Classification
Northwestern University（西北大学）；Bosch Research and Technology Center（博世研究与技术中心）
我们描述了一种新的弱标记的音频事件分类方法的基础上的自监督注意力模型。弱标记框架用于消除对昂贵的数据标记过程的需要，并且部署自监督注意力以帮助模型以与先前注意力模型相比更有效的方式区分弱标记音频片段的相关和不相关部分。我们还提出了一个高效的强监督注意力模型时，强标签。该模型也可以作为自监督模型的上限。具有自监督注意训练的模型的性能与使用强标签训练的强监督模型相当。我们表明，我们的自我监督的注意力方法是特别有益的短音频事件。我们实现了8.8%和17.6%的相对平均平均精度的改善，目前国家的最先进的系统SL-DCASE-17和平衡的AudioSet。
2019-08-07 cs.LG cs.SD eess.AS
Deep CNN Framework for Audio Event Recognition using Weakly Labeled Web Data
音频事件识别系统的开发需要标记的训练数据，这通常是很难获得的。音频事件的记录的一个有前途的来源是网络上的大量多媒体数据。特别地，如果音频内容分析本身必须对web音频执行，则根据这样的数据训练识别器本身是重要的。然而，从这些网络数据中进行训练带来了几个挑战，最重要的是标签的可用性：可以为数据获得的标签（如果有的话）通常很弱，并且不是训练检测器或分类器所需的那种。我们提出，学习算法，可以利用弱标签提供了一种有效的方法来学习Web数据。然后，我们提出了一个强大而有效的基于深度卷积神经网络（CNN）的框架，以从弱标记数据中学习音频事件识别器。所提出的方法可以训练和分析记录的可变长度，以有效的方式，并优于一个网络训练的强标记的网络数据的相当大的利润。此外，即使我们从弱标记数据中学习，其中记录中的事件时间戳在训练期间不可用，我们提出的框架也能够在推理阶段定位事件。
2022-10-02 cs.LG cs.MM cs.SD
Secost: Sequential co-supervision for large scale weakly labeled audio event detection
Facebook Reality Labs（Facebook现实实验室）
弱监督学习算法对于将音频事件检测扩展到数百个声音类别至关重要。这样的学习模型不仅应该用最少的类特定注释有效地消除声音事件的歧义，而且对标签噪声具有鲁棒性，这在弱标签而不是强注释的情况下更明显。在这项工作中，我们提出了一个新的框架，设计学习模型与弱监督的桥梁思想从顺序学习和知识蒸馏。我们将所提出的方法称为SeCoST（发音为Sequest）-用于训练几代学生的顺序共同监督。SeCoST通过一种新的知识转移方法逐步建立了一系列的学生-教师对。我们对Audioset（最大的弱标记数据集）的评估表明，SeCoST实现了0.383的平均精度，同时大大优于现有技术。
2020-05-04 cs.LG cs.SD eess.AS
Weakly Supervised Open-set Domain Adaptation by Dual-domain Collaboration
Sun Yat-sen University（中山大学）；Accuvision Technology Co. Ltd.（Accuvision科技有限公司）
在传统的领域自适应中，一个关键的假设是存在一个完全标记的域（源），它包含与另一个未标记或几乎没有标记的域（目标）相同的标记空间。然而，在现实世界中，经常存在这样的应用场景，其中两个域都被部分标记，并且不是所有的类都在这两个域之间共享。因此，这是有意义的，让部分标记的领域相互学习，以分类所有未标记的样本在每个域下的开集设置。我们认为这个问题是弱监督开集领域自适应。为了解决这一实际问题，我们提出了协作分布对齐（CDA）方法，该方法进行双边知识转移，并协同工作，对未标记的数据进行分类，并识别离群样本。在Office基准测试和人员重新识别应用程序上的大量实验表明，我们的方法达到了最先进的性能。
2019-04-30 cs.LG stat.ML
Topological Structure Learning for Weakly-Supervised Out-of-Distribution Detection
Shandong University（山东大学）
分发外（OOD）检测是在开放世界中安全部署模型的关键。对于OOD检测，收集足够的分布（ID）标记数据通常比未标记数据更耗时且成本更高。当ID标记数据有限时，以前的OOD检测方法不再优越，因为它们高度依赖于ID标记数据的量。基于有限的ID标记数据和足够的未标记数据，我们定义了一个新的设置称为弱监督分布外检测（WSOOD）。为了解决这个问题，我们提出了一种有效的方法，称为拓扑结构学习（TSL）。首先，TSL使用对比学习方法为ID和OOD数据建立初始拓扑结构空间。其次，TSL挖掘初始拓扑空间中的有效拓扑连接。最后，基于有限的ID标记数据和挖掘的拓扑连接，TSL在一个新的拓扑空间中重构拓扑结构，以增加ID和OOD实例的可分离性。对几个有代表性的数据集的广泛研究表明，TSL显着优于国家的最先进的，验证了我们的方法在新的WSOOD设置的有效性和鲁棒性。
2022-09-16 cs.CV cs.LG
QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query Attribute Value Extraction
Amazon.com Inc（亚马逊公司）；Georgia Institute of Technology（佐治亚理工学院）；Hong Kong University of Science and Technology（香港科技大学）
我们研究了查询属性值抽取问题，其目的是从用户查询中识别出具有不同表面形式属性值的命名实体，然后将其转换为形式规范形式。该问题包括两个阶段：{命名实体识别（NER）}和{属性值规范化（AVN）}。然而，现有的工作只关注NER阶段，而忽略了同样重要的AVN。为了弥补这一缺陷，本文提出了一个统一的电子商务搜索查询属性值抽取系统QUEACO，它包括两个阶段。此外，通过利用大规模的弱标记行为数据，我们进一步提高了提取性能与更少的监督成本。具体来说，对于NER阶段，QUEACO采用了一种新颖的教师-学生网络，其中在强标记数据上训练的教师网络生成伪标签来细化弱标记数据以训练学生网络。同时，教师网络可以通过反馈学生在强标签数据上的表现来动态地适应，以最大限度地消除来自弱标签的噪声监督。对于AVN阶段，我们还利用弱标记的查询到属性的行为数据来将来自查询的表面形式属性值规范化为来自产品的规范形式。在一个真实的大规模电子商务数据集上的实验证明了QUEACO的有效性。
2021-09-05 cs.AI cs.CL cs.IR
Sequential Weakly Labeled Multi-Activity Localization and Recognition on Wearable Sensors using Recurrent Attention Networks
School of Electrical and Automation Engineering, Nanjing Normal University（南京师范大学电气与自动化工程学院）；School of Electronic and Information Engineering, Nanjing University of Information Science and Technology（南京信息工程大学电子与信息工程学院）
针对现有注意力模型仅能处理单活动弱标注数据的局限，提出循环注意力网络RAN，可基于粗粒度序列弱标签同时实现多活动类型推断与定位，有效降低人工标注成本，在自建及公开数据集上验证了有效性。
2021-08-03 cs.LG eess.SP stat.ML
GPLAC: Generalizing Vision-Based Robotic Skills using Weakly Labeled Images
University Of California, Berkeley（加州大学伯克利分校）
我们解决了学习机器人感觉运动控制策略的问题，这些策略可以推广到视觉多样和看不见的环境。实现广泛的泛化通常需要大型数据集，这对于特定于任务的交互过程（例如强化学习或从演示示教学习）来说是难以获得的。然而，世界上的许多视觉多样性可以通过被动收集的图像或视频数据集来捕获。在我们的方法中，我们称之为GPLAC（广义策略学习与注意力分类器），我们使用交互数据和弱标记的图像数据来增强感觉运动策略的泛化能力。我们的方法结合了动作选择和辅助二进制分类目标的多任务学习，以及使用注意力机制来避免干扰的卷积神经网络架构。我们表明，配对交互数据从一个单一的环境与不同的数据集的弱标记的数据结果大大提高了泛化到看不见的环境，并表明，这种泛化依赖于辅助目标和注意力的架构，我们提出。我们在模拟和真实的机器人机械手上展示了我们的结果，并证明了标准卷积架构和领域自适应方法的实质性改进。
2017-08-07 cs.CV cs.LG cs.RO
Reducing Label Dependency in Human Activity Recognition with Wearables: From Supervised Learning to Novel Weakly Self-Supervised Approaches
The University of Texas at Arlington（德克萨斯理工大学）
本文提出了一种新型弱自监督学习框架，通过减少标注依赖性提升可穿戴设备人体活动识别的性能和效率。
2025-12-15 cs.HC cs.LG
Weakly Supervised Classification Using Group-Level Labels
University of Minnesota（明尼苏达大学）；University of Pittsburgh（匹兹堡大学）
在许多应用中，找到足够的标记数据来训练预测模型是一个重大挑战。在这项工作中，我们提出了使用组级二进制标签作为弱监督训练实例级二进制分类模型的方法。聚合标签在几个领域中很常见，在这些领域中，在组级别上进行注释可能更便宜，或者可能是提供注释数据而不侵犯隐私的唯一方法。我们将组级标签建模为单个实例的类条件噪声（CCN）标签，并使用噪声标签来正则化在强标记实例上训练的模型的预测。我们的实验在现实世界中的土地覆盖映射的应用表明，所提出的方法在利用组级标签的效用，无论是在存在和不存在类的不平衡。
2021-08-16 cs.LG
Defect detection using weakly supervised learning
Democritus University of Thrace（德谟克利特色雷斯大学）；Athena Research Centre（雅典娜研究中心）
本文研究在缺陷检测任务中弱监督学习对标注数据的需求，通过实验对比弱监督与全监督分类器，证明前者可在标注数据显著减少时达到相当性能。
2023-03-27 cs.AI cs.CV cs.LG
Zero-shot Audio Source Separation through Query-based Learning from Weakly-labeled Data
Bytedance（字节跳动）
用于将音频分离成不同声源的深度学习技术面临若干挑战。标准架构需要为不同类型的音频源训练单独的模型。尽管一些通用分离器采用单一模型来针对多个源，但它们难以推广到看不见的源。在本文中，我们提出了一个三组件管道训练一个通用的音频源分离器从一个大的，但弱标记的数据集：AudioSet。首先，我们提出了一个基于变压器的声音事件检测系统处理弱标记的训练数据。其次，我们设计了一个基于查询的音频分离模型，利用这些数据进行模型训练。第三，我们设计了一个潜在的嵌入处理器来编码查询，指定音频目标分离，允许zero-shot泛化。我们的方法使用单个模型进行多个声音类型的声源分离，并且仅依赖于弱标记数据进行训练。此外，所提出的音频分离器可以在zero-shot设置中使用，学习分离在训练中从未见过的音频源类型。为了评估分离性能，我们在MUSDB 18上测试了我们的模型，同时在不相交的AudioSet上进行了训练。我们进一步验证了zero-shot性能进行另一个实验的音频源类型，是从培训。在这两种情况下，该模型都实现了与当前监督模型相当的源失真比（SDR）性能。
2022-02-12 cs.AI cs.LG cs.MM
Large Scale Audiovisual Learning of Sounds with Weakly Labeled Data
Facebook Reality Labs（Facebook现实实验室）
声音识别是计算音频场景分析和机器感知的一个关键方面。在本文中，我们主张，声音识别本质上是一个多模态的视听任务，因为它是更容易区分声音使用音频和视觉形式，而不是一个或另一个。我们提出了一个视听融合模型，学习识别弱标记的视频记录的声音。建议的融合模型利用一个注意力机制，动态地结合各个音频和视觉模型的输出。在大规模声音事件数据集AudioSet上的实验证明了该模型的有效性，其性能优于单模态模型以及最先进的融合和多模态模型。我们在Audioset上实现了46.16的平均精度（mAP），超过现有技术约+4.35 mAP（相对：10.4%）。
2020-05-29 cs.LG cs.SD eess.AS
EXTRACT: Strong Examples from Weakly-Labeled Sensor Data
由于可穿戴设备和联网设备的兴起，传感器生成的时间序列在世界数据中所占的比例很大，而且还在不断增长。不幸的是，从这些数据中提取价值可能具有挑战性，因为传感器报告的是低电平信号（例如，加速度），而不是通常感兴趣的高级事件（例如，手势）。我们引入了一种技术，通过自动提取低级别数据中真实事件的示例来弥合这一差距，仅粗略估计这些事件发生的时间。通过识别在相同时间安排中重复的特征集，我们隔离了人类行为、功耗模式和口语等不同事件的示例，准确率和召回率高达96%。我们的方法足够快，可以实时运行，并且只需要知道哪些变量是相关的或事件的长度。我们的评估使用了大量公开的数据集和超过100万个手动标记的传感器数据样本。
2016-09-29 cs.DB cs.LG stat.ML
PS-DeVCEM: Pathology-sensitive deep learning model for video capsule endoscopy based on weakly labeled data
Norwegian University of Science and Technology（挪威科技大学）；Innlandet Hospital Trust（内陆医院信托）；University of Oslo（奥斯陆大学）
我们提出了一种新的病理敏感的深度学习模型（PS-DeVCEM），用于视频胶囊内窥镜（VCE）数据中不同结肠疾病的帧级异常检测和多标签分类。我们提出的模型能够应对由几种类型的疾病引起的结肠表观异质性的关键挑战。我们的模型由基于注意力的深度多实例学习驱动，并使用视频标签而不是详细的逐帧注释在弱标记数据上进行端到端训练。空间和时间特征分别通过ResNet 50和残差长短期记忆（残差LSTM）块获得。此外，学习的时间注意力模块提供了每个帧的重要性，最终的标签预测。此外，我们开发了一种自我监督的方法，以最大限度地提高病理类别之间的距离。我们通过定性和定量的实验表明，我们提出的弱监督学习模型给出了优越的精度和F1分数达到61.6%和55.1%，相比，三个国家的最先进的视频分析方法分别。我们还展示了我们的模型在训练过程中没有帧注释信息的情况下对具有病理的帧进行时间定位的能力。此外，我们收集并注释了第一个也是最大的VCE数据集，仅使用视频标签。该数据集包含455个短视频片段，28，304帧和14类结直肠疾病和伪影。支持本出版物的数据集和代码将在我们的主页上提供。
2020-11-22 cs.CV cs.LG
Weakly Supervised Anomaly Detection via Knowledge-Data Alignment
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；CreateLink Technology（创联科技）
针对弱监督异常检测中标记数据不足的问题，提出知识-数据对齐框架，利用最优传输整合专家规则知识，在五个真实数据集上显著优于现有方法。
2024-02-06 cs.LG
Few-shot brain segmentation from weakly labeled data with deep heteroscedastic multi-task networks
Support Centre for Advanced Neuroimaging, University Institute of Diagnostic and Interventional Neuroradiology, Inselspital, Bern University Hospital, Bern, Switzerland（伯尔尼大学医院 Inselspital 诊断与介入神经放射学大学研究所高级神经影像支持中心（伯尔尼））；Insel Data Science Centre, Inselspital, Bern University Hospital, University of Bern, Switzerland（伯尔尼大学医院 Inselspital Insel 数据科学中心（伯尔尼））；University of Bern, Switzerland（伯尔尼大学）
在应用于医学图像分割的监督学习的应用中，对大量标记数据的需求通常是毋庸置疑的。特别地，在脑解剖分割的情况下，通常使用数百或数千个弱标记的体积作为训练数据。在本文中，我们首先观察到，对于许多大脑结构，少量的训练样本（n=9），使用Freesurfer 6.0进行弱标记，加上简单的数据增强，足以作为训练数据来实现高性能，在$\approx 4000$ 9-10岁的T1加权图像中，与Freesurfer相比，在28个脑结构上实现了$0.84 \pm 0.12$的总体平均Dice系数-青少年大脑认知发展研究的结果。然后，我们研究了两种异方差网络作为改善分类结果的方法。Kendall和Gal提出的一个现有方案使用蒙特卡罗推理来学习预测每个预测的方差，产生了$0.85 \pm 0.14$的总体平均Dice，并在25个大脑结构上显示出统计学上的显著改善。与此同时，一种新的异方差网络，直接学习的概率，一个例子已经被错误标记产生了$0.87 \pm 0.11$的整体平均骰子，并显示出统计上显着的改善，但所有的大脑结构之一。与该网络相关联的损失函数可以被解释为执行一种形式的学习标签平滑，其中标签仅在它们被判断为不确定的地方被平滑。
2019-04-04 cs.LG eess.IV stat.ML
Weakly supervised semantic segmentation of tomographic images in the diagnosis of stroke
Novosibirsk State University（新西伯利亚国立大学）；International Tomography Center SB RAS（俄罗斯科学院西伯利亚分院国际断层成像中心）；Sobolev Institute of Mathematics SB RAS（俄罗斯科学院西伯利亚分院索博列夫数学研究所）
本文提出了一种自动分割算法的影响，由急性中风的非对比度计算机断层扫描脑图像。所提出的算法被设计为在弱监督的情况下学习，当一些图像被准确地标记，而一些图像被不准确地标记。由于放射科医师在计算机断层扫描图像的手动注释过程中的不准确性，会出现错误的标签。我们提出的方法来解决分割问题的情况下，不准确标记的训练数据。我们使用U-Net神经网络架构，并进行了一些修改。对实际CT扫描图像的实验表明，该方法提高了分割精度。
2021-09-04 cs.CV cs.LG eess.IV
A Closer Look at Weak Label Learning for Audio Events
根据声音事件的音频内容分析是各种应用的重要研究问题。近年来，弱标记音频或声音事件检测（AED）方法的发展和大规模弱标记数据集的可用性最终为大规模AED开辟了可能性。然而，弱标签如何影响学习的声音事件的更深入的理解仍然缺乏从文献。在这项工作中，我们首先描述了一种基于CNN的方法，用于弱监督训练音频事件。该方法遵循依赖于弱标记音频的学习方法中所期望的一些基本设计原则。然后，我们描述了重要的特点，自然出现在弱监督学习的声音事件。我们展示了弱标签的这些方面如何影响模型的泛化。更具体地说，我们研究了标签密度和标签损坏等特征如何影响音频事件的弱监督训练。我们还研究了直接从Web上获得弱标记数据而无需任何手动标记的可行性，并将其与已手动标记的数据集进行比较。在未来弱标记学习方法的开发中，应该考虑这些因素的分析和理解。实验中使用了一个大规模的弱标记声音事件数据集AudioSet。
2018-04-24 cs.LG cs.MM cs.SD
Audiovisual Transformer Architectures for Large-Scale Classification and Synchronization of Weakly Labeled Audio Events
KU Leuven（鲁汶大学）
我们从机器翻译中使用的Transformer神经网络架构中汲取灵感，解决了环境事件分类的任务。我们修改了这种基于注意力的前馈结构，使得到的模型可以使用音频和视频来计算声音事件预测。我们进行了广泛的实验，这些适应Transformers的视听数据集，通过将相关的视觉信息附加到现有的大规模弱标记的音频集合。所采用的多标签数据包含剪辑级注释，指示17类环境声音的存在或不存在，并且不包括时间信息。我们表明，所提出的修改后的Transformers大大提高了以前介绍的模型，实际上实现了最先进的结果。我们还提出了一个令人信服的情况下，投入更多的注意力在多模态视听分类的研究，通过证明手头的任务，即音频事件识别的视觉信息的有用性。此外，我们可视化的视听Transformers的内部注意力模式，并在这样做证明他们的潜力进行多模态同步。
2019-12-02 cs.LG cs.SD eess.AS
Local Boosting for Weakly-Supervised Learning
Georgia Institute of Technology（佐治亚理工学院）；Google Research（谷歌研究院）；The Home Depot（家得宝）
针对弱监督学习中的噪声标签问题，提出LocalBoost框架，通过源内局部化训练与源间条件加权实现集成提升，并在七个数据集上显著优于基线方法。
2023-06-05 cs.LG
Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning
Honda Research Institute Europe GmbH（本田欧洲研究院）；Università Politecnica delle Marche（马尔凯理工大学）
工业4.0背景下不断增长的监控数据量需要强大可靠的异常检测技术。数字孪生技术的进步允许对复杂机械进行逼真的模拟，因此，与实际测量数据相比，它非常适合生成用于异常检测方法的合成数据集。在本文中，我们提出了新的弱监督的方法来异常检测工业环境。该方法利用数字孪生来生成模拟机器正常操作的训练数据集，以及来自真实机器的一小组标记的异常测量。特别是，我们引入了一种基于聚类的方法，称为聚类中心（CC），以及一种基于Siamese Autoencoders（SAE）的神经架构，该架构专为具有很少标记数据样本的弱监督设置而量身定制。所提出的方法的性能进行比较，对各种国家的最先进的异常检测算法的应用程序，从一个设施监控系统的真实世界的数据集，通过使用大量的性能指标。此外，超参数相关的特征提取和网络结构的影响进行了研究。我们发现，所提出的SAE为基础的解决方案优于国家的最先进的异常检测方法非常强大的许多不同的超参数设置的所有性能指标。
2020-11-12 cs.LG
3D Spatial Recognition without Spatially Labeled 3D
Facebook AI Research（脸书人工智能研究院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们介绍了WyPR，一个弱监督的点云识别框架，只需要场景级的类标签作为监督。WyPR共同解决了三个核心3D识别任务：点级语义分割、3D建议生成和3D目标检测，通过自身和跨任务一致性损失耦合其预测。我们证明，结合标准的多实例学习目标，WyPR可以在训练时检测和分割点云数据中的对象，而无需访问任何空间标签。我们使用ScanNet和S3DIS数据集证明了它的有效性，在弱监督分割方面优于现有技术超过6% mIoU。此外，我们在两个数据集上建立了第一个弱监督3D目标检测基准，其中WyPR优于标准方法，并为未来的工作建立了强有力的基线。
2021-05-13 cs.AI cs.CV cs.LG
Prototype Propagation Networks (PPN) for Weakly-supervised Few-shot Learning on Category Graph
University of Technology Sydney（悉尼科技大学）；University of Washington（华盛顿大学）；University of New South Wales（新南威尔士大学）
各种机器学习应用期望从有限数量的标记数据中实现快速学习。然而，当前大多数模型的成功是大数据大量训练的结果。元学习通过提取跨不同任务的共同知识来解决这个问题，这些知识可以快速适应新任务。然而，他们没有充分探索弱监督的信息，这通常是免费或廉价的collect. In本文中，我们表明，弱标记的数据可以显着提高性能的元学习Few-Shot分类。我们提出了原型传播网络（PPN）训练的Few-Shot任务与粗标签标注的数据。给定目标细类和一些弱标记粗类的类别图，PPN学习注意力机制，该注意力机制将图上的一个类的原型传播到另一个类，使得在传播的原型上定义的K-最近邻（KNN）分类器在不同的Few-Shot任务中具有高精度。训练任务由子图抽样生成，训练目标由子图上的分层分类损失累积得到。生成的原型图可以不断地重用和更新，以用于新的任务和类。我们还介绍了两个实际的测试/推理设置，根据测试任务是否可以利用任何弱监督信息进行训练而有所不同。在两个基准测试中，PPN在不同的设置中显着优于最新的少样本学习方法，即使它们也被允许在弱标记数据上进行训练。
2019-06-02 cs.CV cs.LG cs.NE
Weakly-Supervised Residual Evidential Learning for Multi-Instance Uncertainty Estimation
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
针对弱标注多示例学习中的不确定性估计问题，本文提出MIREL框架，通过对称函数基本定理推导多示例残差算子，联合建模包级与示例级高阶预测分布，显著提升MIUE性能。
2024-05-09 cs.LG
Optimization meets Machine Learning: An Exact Algorithm for Semi-Supervised Support Vector Machines
Sapienza University of Rome（罗马第一大学）；Alpen-Adria-Universität Klagenfurt（克拉根福阿尔卑斯-亚得里亚大学）
提出一种基于半定规划松弛的分支定界算法精确求解非凸的半监督支持向量机（S3VMs），通过界限紧致化与有效不等式加强下界，并利用局部搜索获取上界，显著提升了求解规模与效率。
2024-11-25 cs.LG math.OC
Supervised contrastive learning from weakly-labeled audio segments for musical version matching
Sony AI（索尼人工智能）；Sony Group Corporation（索尼集团公司）
针对现有音乐版本匹配仅支持曲目级、损失函数陈旧的问题，提出弱标注片段学习方法与改进对比损失，在曲目级和片段级评估中均取得优异性能，方法可推广至更多领域。
2025-05-16 cs.AI cs.LG cs.SD
Training Subset Selection for Weak Supervision
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Northwestern University（西北大学）
现有的弱监测方法使用弱信号覆盖的所有数据来训练分类器。我们从理论和经验上表明，这并不总是最佳的。直觉上，弱标签数据的数量和弱标签的精度之间存在权衡。我们通过将预训练的数据表示与切割统计相结合来探索这种权衡（Muhlenbach等人，2004）来选择（希望）弱标记训练数据的高质量子集。子集选择适用于任何标签模型和分类器，并且非常简单地插入到现有的弱监督管道中，只需要几行代码。我们展示了我们的子集选择方法提高了广泛的标签模型，分类器和数据集的弱监督性能。使用较少的弱标记数据可以将弱监督管道的准确性提高19%（绝对值）。
2023-03-06 cs.AI cs.LG stat.ML
GASNet: Weakly-supervised Framework for COVID-19 Lesion Segmentation
Tsinghua University（清华大学）；Huazhong University of Science and Technology（华中科技大学）
胸部CT容积中感染区域的分割对于COVID-19患者的进一步诊断和治疗具有重要意义。由于病变形状复杂、外观多变，通常需要大量的体素级标记样本来训练病变分割网络，这是发展基于深度学习的医学图像分割算法的主要瓶颈。在本文中，我们提出了一个弱监督的病变分割框架，将生成对抗训练过程嵌入到分割网络中，称为GASNet。GASNet经过优化，可通过分割器分割COVID-19 CT的病变区域，并通过生成器将异常外观替换为生成的正常外观，因此恢复的CT体积无法通过重建器与健康CT体积区分开来。GASNet由许多健康和COVID-19受试者的胸部CT体积监督，没有体素级注释。在三个公共数据库上的实验表明，当使用少至一个体素级标记样本时，GASNet的性能与在数十个体素级标记样本上训练的全监督分割算法相当。
2020-10-19 cs.CV cs.LG eess.IV
Reliable counting of weakly labeled concepts by a single spiking neuron model
University of Cologne（科隆大学）；University of Washington（华盛顿大学）
做出明智、正确和快速的决定可以挽救生命。这对动物的逃跑行为或自动驾驶汽车的驾驶至关重要。这一决定可能很复杂，可能涉及对现有威胁的数量和每种威胁的性质进行评估。因此，我们应该期待早期的感觉处理能够快速准确地提供分类信息，甚至在信息依赖于更高的大脑区域或更复杂的系统组件之前。今天，先进的卷积人工神经网络可以成功地解决视觉检测和分类任务，并通常用于构建复杂的决策系统。然而，为了很好地执行这些任务，它们需要越来越复杂的“非常深”的模型结构，这在推理运行时间，能耗和训练样本数量方面都是昂贵的，只能在云计算集群上训练。单个尖峰神经元已被证明能够解决均匀泊松输入统计的识别任务，这是新皮层中尖峰活动的常用模型。当被建模为漏积分并使用梯度下降学习算法发射时，它被证明具有各种复杂的计算能力。在这里，我们改进其执行。我们还考虑到更多的自然刺激产生的输入，偏离这种均匀的泊松尖峰。改进的基于梯度的局部学习规则允许显着更好和稳定的泛化。我们还表明，其改进的能力，它可以计数弱标记的概念，通过将我们的模型应用到多实例学习（MIL）的问题，计数标签仅适用于概念集合。在这个计数MNIST任务中，神经元利用改进的实现，并在类似条件下优于传统的ConvNet架构。
2018-11-16 cs.LG cs.NE q-bio.NC
Weaponizing Unicodes with Deep Learning -- Identifying Homoglyphs with Weakly Labeled Data
Rochester Institute of Technology（罗切斯特理工学院）；Global Cybersecurity Institute（全球网络安全研究所）
视觉上相似的字符，或homoglyphs，可以用来执行社会工程攻击或逃避垃圾邮件和剽窃检测器。因此，重要的是要了解攻击者识别同型文字的能力-特别是那些以前没有发现的-并在攻击中利用它们。我们研究了一种使用嵌入学习、迁移学习和增强的深度学习模型，以确定字符的视觉相似性，从而识别潜在的同型字形。我们的方法独特地利用了弱标签，产生的事实，大多数字符不是homoglyphs。我们的模型在成对同源性识别方面大大优于归一化压缩距离方法，我们实现了0.97的平均精度。我们还提出了第一次尝试聚类homoglyphs成组的等价类，这是更有效的比成对的信息安全从业人员快速查找homoglyphs或规范化混淆字符串编码。为了衡量聚类性能，我们提出了一个度量（mBIOU）建立在经典的交集超过联盟（IOU）度量。我们的聚类方法达到0.592 mBIOU，相比之下，幼稚基线为0.430。我们还使用我们的模型预测了8,000多个以前未知的同形文字，并发现了良好的早期迹象，其中许多可能是真阳性。源代码和预测的同形文字列表上传到Github：https://github.com/PerryXDeng/weaponizing_unicode
2020-12-22 cs.CR cs.CV cs.LG
Open Question Answering with Weakly Supervised Embedding Models
Heudiasyc UMR 7253（HEUDIASYC混合研究单位7253）；Université de Technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Google（谷歌）
建造能够回答任何问题的计算机是人工智能的长期目标。通过学习将问题映射到逻辑形式或数据库查询的方法，最近取得了可喜的进展。这种方法可能是有效的，但代价是大量的人工标记数据或定义由从业者定制的词汇和语法。在本文中，我们采取了激进的方法，学习将问题映射到矢量特征表示。通过将答案映射到相同的空间中，可以独立于其模式查询任何知识库，而不需要任何语法或词典。我们的方法是用一种新的优化过程进行训练的，该过程结合了随机梯度下降，然后使用自动和协作生成的资源混合提供的弱监督进行微调。我们的经验表明，我们的模型可以从其嘈杂的监督中捕获有意义的信号，从而使我们的模型比现有的唯一能够在类似的弱标记数据上进行训练的方法--Spectroex有了重大改进。
2014-04-16 cs.CL cs.LG
Weakly-supervised Discovery of Visual Pattern Configurations
University of California, Berkeley（加州大学伯克利分校）
随着弱标记数据的日益突出，对能够应对最小监督的目标检测方法的需求不断增长。我们提出了一种方法，自动识别的视觉模式的特征是一个给定的对象类的歧视性配置。我们制定的问题作为一个受约束的子模块优化问题，并证明了发现的配置在纠正错误定位和寻找信息丰富的积极和消极的训练样本的好处。总之，这些导致了具有挑战性的PASCAL VOC数据集上最先进的弱监督检测结果。
2014-06-25 cs.CV cs.LG
Efficient Path Prediction for Semi-Supervised and Weakly Supervised Hierarchical Text Classification
Hong Kong University of Science and Technology（香港科技大学）
层次文本分类有许多实际应用。然而，标记大量文档是昂贵的。在实践中，我们可以使用半监督学习或弱监督学习（例如，无数据分类）以降低标记成本。在本文中，我们提出了一个路径成本敏感的学习算法，利用结构信息，并进一步利用未标记和弱标记的数据。我们使用生成模型来利用大量的未标记数据，并将路径约束引入到学习算法中，以结合类层次结构的结构信息。未标记和弱标记数据的后验概率可以与路径相关分数结合。由于我们把结构敏感的成本的学习算法，以约束与类层次结构一致的分类，不需要重建不同结构的特征向量，我们可以显着降低计算成本相比，结构输出学习。在两个层次文本分类基准上的实验结果表明，该方法不仅是有效的，而且是有效的处理半监督和弱监督的层次文本分类。
2019-02-25 cs.IR cs.LG stat.ML
Weakly-Supervised Deep Learning of Heat Transport via Physics Informed Loss
Stanford University（斯坦福大学）
在典型的机器学习任务和应用中，为了实现高性能，需要获得或创建大型标记数据集。不幸的是，大型标记数据集并不总是可用的，并且来源可能很昂贵，这为更广泛应用的机器学习带来了瓶颈。弱监督范式提供了一种替代方案，允许通过强制约束来整合特定领域的知识，学习问题的正确解决方案将在输出空间上遵守这些约束。在这项工作中，我们探讨了应用这种模式的2-D物理系统所管辖的非线性微分方程。我们证明，知识的偏微分方程管理的系统可以编码到一个神经网络的损失函数通过适当选择的卷积核。我们证明了这一点，表明2-D热方程的稳态解可以直接从初始条件学习的卷积神经网络，在没有标记的训练数据。我们还扩展了最近在全卷积网络渐进增长方面的工作，以在热流问题的多个尺度上实现高精度（<1.5%误差），包括在非常大的尺度（1024x1024）。最后，我们证明了这种方法可以用来加快精确计算的解决方案的微分方程通过有限差分。
2018-08-21 cs.LG stat.ML
Contrastive Multiple Instance Learning for Weakly Supervised Person ReID
DEVCOM Army Research Lab（DEVCOM陆军研究实验室）；Carnegie Mellon University（卡内基梅隆大学）
本文提出CMIL框架，通过单一模型和对比损失解决弱监督行人重识别问题，在多个数据集上达到先进性能，并发布新数据集WL-MUDD。
2024-02-12 cs.CV cs.LG
Automatic acute ischemic stroke lesion segmentation using semi-supervised learning
Nankai University（南开大学）；Guilin University of Electronic Technology（桂林电子科技大学）；Tianjin Huanhu Hospital（天津市环湖医院）
缺血性脑卒中是老年人群的常见病，可导致长期残疾甚至死亡。然而，缺血性卒中急性期的治疗时间窗非常短。为了快速定位和定量评估急性缺血性卒中（AIS）病变，文献中提出了许多基于深度学习的病变分割方法，其中深度卷积神经网络（CNN）在数百个完全标记的受试者上进行训练，并对AIS病变进行准确注释。尽管可以实现高分割精度，但是准确的标签应该由有经验的临床医生注释，因此获得大量完全标记的受试者非常耗时。在本文中，我们提出了一种半监督的方法来自动分割AIS病变的扩散加权图像和表观扩散系数图。通过使用大量的弱标记的主题和少量的完全标记的主题，我们提出的方法能够准确地检测和分割AIS病变。具体地说，我们提出的方法包括三个部分：1）一个弱监督训练的双路径分类网络（DPC-Net）用于检测AIS病变的可疑区域; 2）一个像素级的K-Means聚类算法用于识别DWI上的高强度区域; 3）区域生长算法结合DPC网络和K-Means的输出，得到最终的精确病灶分割。在我们的实验中，我们使用460弱标记的主题和15个完全标记的主题训练和微调所提出的方法。通过对150个完全标记的受试者的临床数据集进行评估，我们提出的方法实现了平均骰子系数为0.642，病变方面的F1得分为0.822。
2020-09-20 cs.CV cs.LG eess.IV
Adaptive pooling operators for weakly labeled sound event detection
Music and Audio Research Laboratory（音乐与音频研究实验室）；Center for Data Science（数据科学中心）；Center for Urban Science and Progress（城市科学与进步中心）；New York University（纽约大学）
声音事件检测（SED）方法的任务是通过活动声源的存在来标记音频记录的片段。SED通常被视为监督机器学习问题，需要在记录内的每个时刻对每个声源的存在或不存在进行强注释。然而，这种类型的强注释对于人类注释者来说是劳动密集型和成本密集型的，这限制了SED方法的实际可扩展性。在这项工作中，我们将SED视为多实例学习（MIL）问题，其中训练标签在短摘录中是静态的，指示声源的存在或不存在，但不是它们的时间局部性。然而，这些模型仍然必须产生时间动态预测，在训练期间与静态标签进行比较时，这些预测必须被聚合（合并）。为了促进这种聚合，我们开发了一个家庭的自适应池运营商-被称为自动池-它顺利地插入常见的池运营商之间，如最小，最大，或平均池，并自动适应的声源的特性的问题。我们在三个数据集上评估了所提出的池化算子，并证明了在每种情况下，所提出的方法在静态预测方面都优于非自适应池化算子，并且几乎与使用强大的动态注释训练的模型的性能相匹配。所提出的方法进行评估，结合卷积神经网络，但可以很容易地应用到任何可微模型的时间序列标签预测。
2018-08-10 cs.LG cs.SD eess.AS
Federated Self-Supervised Modulation Classification under Non-IID and Imbalanced Data
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Qualcomm Technologies Inc.（高通技术公司）
该研究针对非独立同分布与不平衡数据场景，提出FedSSL-AMC联邦自监督框架，结合因果时间膨胀CNN编码器与轻量级本地SVM，在调制分类任务上取得优于监督联邦学习基线的性能。
2026-08-18 cs.AI cs.LG eess.SP
Weakly supervised learning for pattern classification in serial femtosecond crystallography
ShanghaiTech University（上海科技大学）；Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海高等研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉成像工程研究中心）
本文针对串行飞秒晶体学中衍射图样标注成本高的问题，提出用弱监督算法进行分类，证明其可在显著减少标注数据量的同时达到与全监督方法相当的准确率。
2023-09-21 cond-mat.mtrl-sci cs.LG physics.optics
WALNUT: A Benchmark on Semi-weakly Supervised Learning for Natural Language Understanding
Microsoft Research（微软研究院）；Columbia University（哥伦比亚大学）；Illinois Institute of Technology（伊利诺伊理工学院）
为自然语言理解（NLU）任务构建机器学习模型在很大程度上依赖于标记数据。当大量标记数据不可用或获取成本高昂时，弱监督已被证明是有价值的。现有的研究NLU弱监督的工作大多集中在特定的任务或模拟弱监督信号从地面实况标签。因此，如果没有一个统一而系统的基准，不同的任务和现实世界的弱标签规则，就很难比较不同的方法并评估弱监管的好处。在本文中，我们提出了这样一个基准，命名为WALNUT（半Weakly监督学习自然语言理解测试床），倡导和促进弱监督NLU的研究。WALNUT由不同类型的NLU任务组成，包括文档级和令牌级预测任务。WALNUT是NLU的第一个半弱监督学习基准，其中每个任务包含由多个真实世界弱源生成的弱标签，以及一小组干净标签。我们对WALNUT进行基线评估，以系统地评估各种弱监督方法和模型架构的有效性。我们的研究结果证明了弱监督对低资源NLU任务的好处，并突出了跨任务的有趣模式。我们预计WALNUT将刺激对方法的进一步研究，以更有效地利用薄弱的监管。基准测试和基准代码可在\url{aka.ms/walnut_benchmark}上获得。
2022-05-23 cs.CL cs.LG
Predictive Inference with Weak Supervision
Stanford University（斯坦福大学）
在大规模统计机器学习中获取标签的费用使得部分和弱标记数据具有吸引力，尽管如何利用这些数据进行模型拟合或验证并不总是显而易见的。我们提出了一种方法来弥合部分监督和验证之间的差距，开发一个共形预测框架，提供有效的预测置信集-集，覆盖一个真正的标签与规定的概率，独立于底层的分布-使用弱标记的数据。为此，我们引入了一个（必要的）新概念的覆盖率和预测有效性，然后开发几个应用场景，提供有效的算法分类和几个大规模的结构化预测问题。我们证实的假设，新的覆盖定义允许更紧密，更翔实（但有效）的信心集通过几个实验。
2022-02-09 cs.LG stat.ML
Query-Adaptive Predictive Inference with Partial Labels
Stanford University（斯坦福大学）
在统计机器学习中，完全监督标签的成本和稀缺性鼓励使用部分标记的数据进行模型验证，作为一种更便宜，更容易获得的替代方案。因此，有效地收集和利用弱监督数据进行大空间结构化预测任务成为端到端学习系统的重要组成部分。我们提出了一种新的计算友好的方法来构建预测集只使用部分标记的数据上的黑盒预测模型。为此，我们引入“探测”函数作为描述弱监督实例的一种方式，并定义了错误发现比例型损失，这两者都无缝地适应部分监督和结构化预测-排名，匹配，分割，多标签或多类分类。我们的实验突出了我们的预测集建设的有效性，以及一个更灵活的用户相关的损失框架的吸引力。
2022-06-15 cs.LG stat.ML
Weakly Supervised Grammatical Error Correction using Iterative Decoding
Google AI（谷歌人工智能）
我们描述了一种语法错误纠正（GEC）方法，该方法可以有效地利用在大量弱监督双文本上训练的模型。我们训练的Transformer序列到序列模型的维基百科修订的4 B令牌，并采用迭代解码策略，是专为松散监督性质的维基百科训练语料库。在Lang-8语料库上进行微调和集成，在CoNLL'14基准测试中得到58.3的F0.5，在JFLEG上得到62.4的GLEU。弱监督训练和迭代解码的组合即使不使用任何标记的GEC数据也在CoNLL'14上获得48.2的F0.5。
2018-10-31 cs.CL cs.LG stat.ML
Automatic Clustering of a Network Protocol with Weakly-Supervised Clustering
Graz University of Technology（格拉茨技术大学）
抽象是学习系统行为模型的基本部分。抽象的过程通常由领域专家手动定义。提出了一种对网络协议进行自动抽象的方法。特别是一个弱监督聚类算法被用来建立一个广泛使用的TLS协议的抽象与一个小的词汇量。为了显示所提出的方法的有效性，我们将得到的抽象消息与手动构造的（参考）抽象进行比较。通过少量的边信息（以几个带标签的示例的形式），该方法可以找到一个与引用抽象完美匹配的抽象。
2018-06-04 cs.CR cs.LG stat.ML
Weakly supervised training of pixel resolution segmentation models on whole slide images
我们提出了一种新的方法，训练像素分辨率分割模型的整个幻灯片图像在弱监督设置。该模型经过训练，以分类从幻灯片中提取的补丁。这导致训练是在有噪声的标记数据下进行的。我们用两个互补的策略来解决这个问题。首先，通过关注模型置信度较高的区域，使用模型的知识在线对补丁进行采样。其次，我们提出了一个扩展的KL分歧，是强大的噪声标签。我们在CAMELYON 16数据集上的初步实验显示了令人满意的结果。该模型能够成功分割出形态一致性较强的肿瘤区域。
2019-07-17 cs.LG eess.IV stat.ML
Self-training with noisy student model and semi-supervised loss function for dcase 2021 challenge task 4
Gwangju Institute of Science and Technology（光州科学技术院）
本报告为DCASE 2021挑战任务4提出了一种复音声音事件检测（SED）方法。建议的SED模型由两个阶段组成：一个平均教师模型，用于提供关于弱标记或未标记数据的目标标签，以及一个基于自我训练的嘈杂学生模型，用于预测声音事件的强标签。均值-教师模型基于教师和学生模型的残差卷积递归神经网络（RCRNN），首先使用来自弱标记数据集、未标记数据集和强标记合成数据集的所有训练数据进行训练。然后，训练好的均值-教师模型预测每个弱标记和未标记数据集的强标记，并在所提出的SED模型的第二阶段将其带入噪声学生模型。这里，噪声学生模型的结构与第一阶段中的均值-教师模型的基于RCRNN的学生模型相同。然后，通过添加特征噪声（如时频偏移，mixup，SpecAugment和基于dropout的模型噪声）进行自训练。此外，半监督损失函数被应用于训练噪声学生模型，其充当标签噪声注入。在DCASE 2021 Challenge Task 4的验证集上对所提出的SED模型的性能进行了评估，然后，最终选择了将五重验证模型与半监督损失函数的不同超参数相结合的几个集成模型作为我们的最终模型。
2021-07-06 cs.LG cs.SD eess.AS
Affinity Mixup for Weakly Supervised Sound Event Detection
弱监督声音事件检测问题是预测弱标记数据集中声音事件的存在及其相应的起点和终点的任务。弱数据集将每个训练样本（短记录）与一个或多个当前源相关联。仅依赖卷积层和递归层的网络无法直接关联记录中的多个帧。受注意力和图神经网络的启发，我们引入了亲和度混合的概念，以合并时间级别的相似性并在帧之间建立连接。这种正则化技术使用自适应亲和矩阵混合不同层中的特征。我们提出的亲和力混合网络提高了$8.2\%$的最先进的技术事件F1分数。
2021-06-21 cs.LG cs.SD eess.AS
Weakly-supervised positional contrastive learning: application to cirrhosis classification
Guerbet Research（加栢研究中心）；Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）
本文提出弱监督位置对比学习策略，结合二维切片空间上下文与弱标签，在肝硬化分类中显著提升AUC，并公开代码。
2023-09-19 cs.AI cs.CV cs.LG
