利用积极无监督学习方法在文化库中检测媒体克隆
Detecting Media Clones in Cultural Repositories Using a Positive Unlabeled Learning Approach
AI总结：
本文提出利用积极无监督学习方法在文化库中检测媒体克隆，通过轻量级查询克隆编码器和可解释阈值实现高效去重，实验表明在CIFAR-10和AtticPOT数据集上均取得显著提升。
摘要：
我们将Curator-in-the-loop重复发现问题在AtticPOT仓库中建模为积极无监督（PU）学习问题。给定每个艺术作品的一个锚点，我们训练了一个轻量级查询克隆编码器，对锚点的增强视图进行编码，并通过在潜在l_2范数上的可解释阈值对未标记的仓库进行评分。系统提出候选者供 curator 验证，揭示出未事先验证的跨记录重复项。在 CIFAR-10 上获得 F1=96.37（AUROC=97.97）；在 AtticPOT 上达到 F1=90.79（AUROC=98.99），在相同轻量级主干下，比最佳基线（SVDD）提高了 F1 7.70 分。定性“查找相似”面板显示了在视角和条件下的稳定邻域。该方法避免了显式负样本，提供了透明的操作点，并适用于去重、记录链接和 curator-in-the-loop 工作流。
英文摘要：
We formulate curator-in-the-loop duplicate discovery in the AtticPOT repository as a Positive-Unlabeled (PU) learning problem. Given a single anchor per artefact, we train a lightweight per-query Clone Encoder on augmented views of the anchor and score the unlabeled repository with an interpretable threshold on the latent l_2 norm. The system proposes candidates for curator verification, uncovering cross-record duplicates that were not verified a priori. On CIFAR-10 we obtain F1=96.37 (AUROC=97.97); on AtticPOT we reach F1=90.79 (AUROC=98.99), improving F1 by +7.70 points over the best baseline (SVDD) under the same lightweight backbone. Qualitative "find-similar" panels show stable neighbourhoods across viewpoint and condition. The method avoids explicit negatives, offers a transparent operating point, and fits de-duplication, record linkage, and curator-in-the-loop workflows.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
