PulseAugur
中
实时 10:37:55
English(EN) Imbalanced Semi-Supervised Learning via Label Refinement and Threshold Adjustment

新的SEval框架提升AI在不平衡数据上的学习能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SEval，一个旨在提高半监督学习（SSL）在不平衡数据集上性能的新框架。现有的SSL方法在处理不平衡数据时常常遇到困难，导致伪标签偏差，从而加剧了多数类的优势。SEval通过推导理论上最优的伪标签，并从训练数据的类别平衡子集中学习伪标签细化和阈值调整参数来解决这一问题。实验表明，SEval在各种不平衡SSL场景中优于当前最先进的方法，提供了更准确、更可靠的伪标签。 AI

影响 提升了AI模型在类别分布不均数据集上的性能，提高了现实世界应用的准确性。

排序理由 该集群包含一篇详细介绍半监督学习新方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zeju Li, Ying-Qiu Zheng, Chen Chen, Saad Jbabdi ·

    Imbalanced Semi-Supervised Learning via Label Refinement and Threshold Adjustment

    arXiv:2407.05370v3 Announce Type: replace Abstract: Semi-supervised learning (SSL) algorithms often struggle to perform well when trained on imbalanced data. In such scenarios, the generated pseudo-labels tend to exhibit a bias toward the majority class, and models relying on the…

相关实体

相关话题