PulseAugur
中
实时 15:20:09
English(EN) Beyond Distribution Estimation: Simplex Anchored Structural Inference Towards Universal Semi-Supervised Learning

新的UniSSL框架提升半监督学习准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员提出了一个名为通用半监督学习（UniSSL）的新框架，以应对从有限标记数据和未知未标记数据分布中学习的挑战。所提出的方法，基于单纯形锚定的图状态均分（SAGE），侧重于推断数据表示内的结构关系，而不是依赖于从分布估计中获得的可能错误的伪标签。SAGE利用高阶样本间依赖性和单纯形等角紧框架来指导表示学习和分离，在五个基准测试中平均准确率提高了8.52%。 AI

影响 引入了一种新颖的半监督学习方法，有望在数据稀缺的环境中提高模型性能。

排序理由 介绍一种新颖半监督学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的UniSSL框架提升半监督学习准确性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yuheng Jia ·

    Beyond Distribution Estimation: Simplex Anchored Structural Inference Towards Universal Semi-Supervised Learning

    Semi-supervised learning faces significant challenges in realistic scenarios where labeled data is scarce and unlabeled data follows unknown, arbitrary distributions. We formalize this critical yet under-explored paradigm as Universal Semi-supervised Learning (UniSSL). Existing m…

相关实体

相关话题