跳到正文

算法、任务与模态

Semi-supervised 最新动态

Semi-supervised 研究索引；按可核对的标签归档，不以热度评价质量。

204 条精选近 30 天 2 条共收录 286 条

更新

精选归档 · 第 11 页

1月1日周五第 201–204 条
  1. OpenReview · Representation learning72

    基于概率标注的半监督表示学习

    基于摘要分析。本文研究如何利用有标签与无标签数据学习判别性低维表示，提出基于局部位置构造标签向量、再最大化表示与所赋标签之间依赖性的半监督方法，并提出用于判断无标签数据是否有益的性能界。 方法先根据数据点在空间中的局部位置，为标签构造向量表示；随后学习线性变换，将数据映射到低维空间，以 Hilbert-Schmidt Independence Criterion（HSIC）度量并最大化变换后数据与所赋标签之间的依赖性。作者还提出核化版本，以支持非线性映射。摘要未给出概率标注的具体计算方式、邻域定义、优化过程及核函数选择，这些内容尚未验证。 作者强调，使用无标签数据并不必然改善性能，并提出相应性能界以判断其使用效果；该界约束的具体指标、成立假设与实际可计算性需核对全文。作者报告在玩具示例和真实数据集上展示了学习变换的能力，但摘要未提供数据集名称、数据划分、对照基线或量化结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 标注有限时的半监督特征降维问题，可复用标签向量构造与 HSIC 依赖性目标，但需要针对 EEG 特征距离、被试差异及训练数据边界调整邻域与核函数。其关键假设是局部几何与类别结构一致；低信噪比、跨被试偏移、通道差异及小样本可能使邻域更多反映噪声或个体特征，而非任务类别。一个可检验的小实验是：固定 EEG 被试内训练与测试划分及下游分类器，仅在训练集内逐步隐藏标签，比较该半监督表示与仅使用有标签数据的表示，并检查性能界能否预测无标签数据带来的改善或退化。上述不是已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其利用局部结构构造标签向量、以 HSIC 学习判别性表示的机制，以及用于判断无标签数据是否有益的性能界；这些结论的适用条件尚需全文验证。

1月1日周四
  1. OpenReview · Representation learning70

    用于图像表示的局部正则化概念分解及其半监督扩展

    基于摘要分析。本文研究图像表示与聚类，针对传统 concept factorization 未充分利用判别结构与几何结构的问题，提出 Local Regularization Concept Factorization（LRCF），并以标签约束构建半监督扩展 Local Regularization Constrained Concept Factorization（LRCCF）。 LRCF 基于局部学习假设：每个样本的标签可以由其邻域样本预测，并据此使分解所得表示编码高维数据的内在几何结构与判别结构。LRCCF 则将已标注数据的标签作为额外约束。作者还报告给出了相应优化方案及其收敛性证明；具体目标函数、邻域构建方式、约束形式和收敛条件尚未验证。 作者报告，在真实数据库上的图像表示与聚类实验中，两种方法能够捕获潜在结构，并取得当时的最先进性能。摘要未提供数据库名称、数据划分、评价指标、具体分数或对照配置，因此无法核对优势幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移机制是利用特征空间中的局部邻域约束低维表示，并在少量标签可用时加入监督约束，而非图像特有的处理模块。假设 EEG 特征的邻域关系与任务类别具有一致性，可探索将这一约束用于 EEG 表征；但需改造输入特征、距离度量及邻域构建，不能直接沿用图像设置。低信噪比、跨被试差异、通道变化及小样本均可能使邻域主要反映噪声或被试身份，导致错误约束。一个可检验的小实验是在固定 EEG 特征和预先确定的被试内划分下，比较传统 concept factorization、LRCF 与相同标签预算下的 LRCCF，检查局部约束是否改善独立测试集的分类或聚类指标；邻域构建不得利用测试标签。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其局部学习约束如何同时编码几何与判别结构，以及半监督标签约束的优化方式，但摘要不足以验证性能优势或 EEG 迁移价值。

  2. OpenReview · Representation learning70

    通过结构保持低秩表示进行基于图的半监督学习

    基于摘要分析。该研究关注基于图的半监督学习：利用有标签与无标签数据，并以低秩表示（LRR）系数衡量图的边权。作者提出结构保持低秩表示（SPLRR），在构图时加入局部亲和与远距离排斥两类约束，旨在保留数据流形的局部几何结构，同时避免破坏远距离排斥性质。 技术上，方法的核心是对用于构图的 LRR 施加结构约束，而非提出神经网络架构；优化采用增广拉格朗日乘子（ALM）方法框架。摘要未给出约束的具体数学形式、邻域与远距离关系的定义，也未说明标签如何参与图构建或后续半监督学习，这些内容均需全文核对。 作者报告，在四个常用数据集上的实验表明，SPLRR 相比所比较的当时先进方法具有较好的基于图的半监督学习表现。摘要未提供数据集名称、标签比例、数据划分、指标及具体数值，因此无法判断优势幅度与适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征具有可利用的低秩或流形结构，SPLRR 的构图机制可能用于少量标签条件下的学习。可复用部分是低秩系数构图及结构约束；需改造或验证的部分包括 EEG 特征表示、距离度量和邻域定义。低信噪比、被试差异及通道配置差异可能使图主要反映噪声或被试身份，而非任务类别，小数据也可能使邻域估计不稳定。一个可检验的假设是：在固定 EEG 特征、被试内数据划分及标签预算下，SPLRR 相比普通 LRR 构图能改善半监督分类；可通过分别移除两类约束检验其作用，并明确无标签样本是否包含测试集。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SPLRR 如何在低秩表示构图中同时保持局部亲和与远距离排斥，以及这些约束对半监督学习的贡献；其对 EEG 小样本学习的价值尚未验证。

  3. OpenReview · Representation learning72

    用于视觉分类的稀疏表示、判别性字典与投影

    基于摘要分析。本学位论文研究视觉分类中标注有限、标签歧义及多模态异质数据的表示与融合问题，将稀疏字典学习扩展至半监督学习、歧义标签学习和 Multiple Instance Learning（MIL），并研究非线性核选择与多模态特征融合。 方法包含四部分：其一，在非线性判别字典学习中联合利用有标签与无标签样本，为无标签样本估计类别概率分布，并与字典、稀疏系数共同更新；该框架还扩展至单个训练样本具有多个候选标签的情形。其二，面向多类别 MIL，以包含多个实例的包为监督单位，假设每个包至少有一个实例属于包的类别，通过 noisy-OR 模型和基于广义均值的优化框架学习特征空间中的字典；当每包仅有一个实例时，该方法退化为判别性字典学习。其三，将 Sparse Representation-based Classification（SRC）与 Multiple Kernel Learning（MKL）结合，依据核对齐准则，在固定核混合系数时更新稀疏编码，再固定编码更新核混合系数，交替迭代至满足停止条件。其四，在线性分类模型下，通过尽量小的测试特征扰动促使不同模态预测同一类别：连续特征采用二次规划，二值特征采用混合整数规划，并以贪心算法近似求解。作者报告该贪心解接近所比较的先进混合整数规划求解器，但摘要未给出具体误差及评估设置。 摘要未提供数据集、划分、分类指标或计算成本，实验协议、消融及统计信息尚未验证。尤其需核对类别概率更新、核选择与融合扰动的约束条件，才能判断各模块的收益和适用范围。 平台推测（待验证）：半监督字典学习可作为 EEG 标注稀缺问题的候选方法，但依赖可利用的稀疏结构及无标签样本分布。可复用字典与类别概率交替更新机制，需改造 EEG 特征表示、归一化和跨被试处理；低信噪比、通道差异及小样本可能使伪标签误差累积。一个可证伪的小实验是在固定被试内划分下，仅从训练部分抽取少量标签，其余训练样本作为无标签数据，对照仅使用有标签数据的字典学习，比较同一测试集上的 Balanced Accuracy。已有 EEG 相关工作尚未检索确认，原视觉领域机制不构成 BCI 有效性证据。

    阅读价值：该学位论文摘要提供了弱监督字典学习、基于 SRC 的核权重学习及测试时多模态一致性融合的明确机制，适合核对其监督假设与优化实现，但其向 EEG 的适用性尚未验证。