FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
PulseAugur coverage of FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence — every cluster mentioning FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MAGIC-SSCIL框架改进了半监督增量学习
研究人员推出了一种新颖的框架MAGIC-SSCIL，旨在解决神经网络中半监督类增量学习（SSCIL）的重大挑战，特别是在无法存储过去数据的情况下。该框架采用两个关键组件：使用基于图的标签传播来加权和校准类别均值和方差的软加权几何校准（SWGC），以及通过匹配学生和教师头并对齐特征原型来维持表示拓扑的几何结构对齐（GSA）目标。MAGIC-SSCIL采用冻结的ResNet-18骨干网络和可学习的适配器实现，在各种数据集和标签比例下，尤其…
-
新的AnomalyMatch框架使用AI发现稀有对象
研究人员开发了AnomalyMatch，一个用于在大型数据集中识别稀有对象的创新框架，在天文学和计算机视觉等标记数据稀缺的领域特别有用。该系统结合了半监督FixMatch算法和主动学习，利用EfficientNet分类器将异常检测视为二元分类问题。AnomalyMatch已集成到ESA Datalabs平台，并在天文和自然图像基准测试中表现出色，即使在初始标记数据很少的情况下也取得了很高的AUROC和AUPRC分数。其主动学习组件允许…
-
JEPAMatch 论文提出用于半监督学习的几何塑形方法
研究人员推出了一种名为 JEPAMatch 的新方法，用于半监督学习，旨在提高标记数据稀缺时的模型性能。该方法超越了传统的基于置信度的伪标签方法，通过借鉴潜在欧几里得联合嵌入预测架构 (LeJEPA) 框架的思路，显式地塑形潜在空间中的几何表示。JEPAMatch 结合了标准的半监督损失和潜在空间正则化项，鼓励更结构化的表示和更快的收敛速度。在 CIFAR-100、STL-10 和 Tiny-ImageNet 数据集上的实验表明，JE…