研究人员推出了一种名为几何梯度校正（GGR）的新型框架，旨在改进开放集半监督学习。GGR 通过关注梯度级别的控制，而非样本过滤或软加权，来解决现有方法的局限性。所提出的即插即用框架使用监督梯度作为锚点，并将冲突的辅助梯度投影到可接受的空间中，确保更新不相互对抗，同时保留有用的信号。在 CIFAR 和 ImageNet 基准测试上的实验表明，GGR 在闭集泛化和开放集鲁棒性方面均提高了基线性能。 AI
影响 这项研究为在半监督学习场景中提高机器学习模型的鲁棒性和泛化能力提供了一种新技术。
排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.26973v1 Announce Type: cross Abstract: Open-set semi-supervised learning aims to leverage unlabeled data that may contain out-of-distribution outliers while maintaining performance on in-distribution classes. Existing methods mainly follow two paradigms: filtering susp…
Open-set semi-supervised learning aims to leverage unlabeled data that may contain out-of-distribution outliers while maintaining performance on in-distribution classes. Existing methods mainly follow two paradigms: filtering suspicious samples or incorporating unlabeled objectiv…