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。

43 条精选近 30 天 2 条共收录 62 条

更新

精选归档 · 第 3 页

12月31日周四第 41–43 条
  1. OpenReview · EEG70

    基于协同表示的半监督极限学习机用于多类运动想象 EEG 分类

    基于摘要分析。该研究针对运动想象 EEG 分类中标注样本稀缺、未标注数据有时反而降低半监督学习性能的问题，提出 collaborative representation-based semi-supervised extreme learning machine（CR-SSELM），通过未标注样本风险评估及相应正则化控制其对模型学习的影响。 核心机制是先用极限学习机（ELM）预测未标注样本，再依据预测结果，利用协同表示（CR）重构这些样本，并据此定义样本风险程度。随后，作者构建基于风险的正则化项，将其嵌入半监督极限学习机（SS-ELM）的目标函数。相较于直接利用未标注数据，该方法的主要贡献在于增加安全控制机制；但风险定义、重构方式、正则化形式及优化流程尚未验证，不能仅凭摘要确定其是否采用样本加权或筛除。 作者报告，在所用 benchmark 和 EEG 数据集实验中，CR-SSELM 优于 ELM 与 SS-ELM；在 SS-ELM 表现低于其监督学习对应方法 ELM 的情形下，CR-SSELM 仍取得所比较方法中的最佳表现。摘要未提供数据集名称、被试数、类别数、标注比例、被试内或跨被试划分、具体指标与数值，因此该结论只能限定于作者所述实验，不能推断其跨被试或跨会话泛化能力。 复现时需核对未标注数据的来源及其与训练、测试划分的关系，明确风险估计所依赖的初始预测质量，并确认正则化超参数及基线配置。一个关键待验证问题是：当初始 ELM 在低信噪比 EEG 上产生错误预测时，协同表示风险估计是否仍能识别有害样本。全文、实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其利用协同表示评估未标注样本风险、抑制半监督学习性能退化的机制，但其在具体运动想象 EEG 划分协议下的收益与稳定性尚需全文验证。

1月1日周三
  1. OpenReview · State space models70

    面向恶意认证事件的自动半监督异常检测

    基于摘要分析。本文研究网络攻击中横向移动所产生的恶意认证事件检测，提出自动半监督异常集成检测器，在学习正常行为时不依赖真实标签。其主要贡献是针对纯类别特征的认证日志开展事件级检测，而非仅识别恶意用户或计算机，从而定位恶意登录发生的时间和系统。 方法方面，作者将自动化机制建立在已有无监督异常集成理论之上。摘要未说明类别特征如何编码、集成成员如何构建、半监督信号如何产生以及检测阈值如何确定，因此不能将“不依赖真实标签学习正常行为”扩大解释为整个训练与评估流程均不使用标签。 作者报告，在 Los Alamos National Lab 公开提供的真实网络安全数据集上，该检测器优于既有算法，False Negative Rate 为 0，即该评估中未漏掉恶意登录事件；作者同时报告 False Positive Rate 优于当时最先进方法，但摘要未给出具体数值。数据版本、样本划分、恶意事件数量、基线配置、阈值选择、消融及统计信息尚未验证，零漏报结果不能直接外推至其他网络或部署环境。作者表示正在与 POST Luxembourg 合作推进网络应用，这并不等于已经完成实际部署验证。 平台推测（待验证）：可迁移的候选机制是无需真实标签学习正常行为的异常集成，而非认证日志本身。假设该机制可用于 EEG 记录中的异常片段筛查，仍需将纯类别输入改造成适合连续、多通道时序信号的特征表示，并核对正常训练数据受异常污染时的鲁棒性。低信噪比、跨被试差异及通道变化可能使正常生理变化被误判为异常，小数据也可能削弱集成稳定性。可在一个标签仅用于评估的 EEG 异常片段任务中，固定被试划分与阈值选择规则，对比该集成思路和单一异常检测器的 False Negative Rate 与 False Positive Rate；这属于待验证假设，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其面向纯类别认证日志，以不依赖真实标签学习正常行为的异常集成方法定位事件级攻击，但零漏报结论仍需结合数据划分、阈值与评估协议核对。

1月1日周一
  1. OpenReview · EEG70

    用于 EEG 信号分类的安全半监督极限学习机

    基于摘要分析。该研究针对 BCI 中时变 EEG 信号分类的标注样本稀缺问题，提出基于半监督极限学习机（SS-ELM）的安全控制机制，旨在利用未标注数据的同时降低其使分类性能下降的风险。 核心方法是比较监督式极限学习机（ELM）与 SS-ELM 对未标注样本的预测，以 Wasserstein distance 衡量两者预测的相似程度，并据此为每个未标注样本计算风险程度；随后构造基于风险的正则化项，将其嵌入 SS-ELM 的目标函数。其具体方法贡献在于对未标注样本引入逐样本风险控制，而非默认所有未标注数据均有助于学习。预测表示、风险计算公式、正则化形式及权重选择尚未验证。 作者报告，在 benchmark 与 EEG 数据集上的实验中，新算法的平均性能与 SS-ELM 相当，并优于 ELM。摘要未提供数据集名称、被试数量、分类任务、标注比例、数据划分或具体指标，因此无法判断结果属于被试内、跨被试还是跨会话评估，也不能量化改善幅度。作者据此认为该方法适合安全且高效的 EEG 分类；但平均性能比较本身不足以确认其在每种数据条件下均不劣于监督基线，安全性的定义、理论保证与逐条件实验结果需查阅全文。 复现时应重点核对 Wasserstein distance 的计算对象、未标注数据的可用范围、风险正则化的实现及超参数选择，并在一致的数据划分和标注预算下比较 ELM、SS-ELM 与所提方法。实验协议、消融、统计信息及代码可用性尚未验证。

    阅读价值：值得核对其以预测差异估计未标注样本风险的正则化机制，尤其是“安全性”能否在不同 EEG 划分协议下成立，而不仅体现为平均性能改善。