PulseAugur
中
实时 06:59:07
实体 label propagation algorithm

label propagation algorithm

PulseAugur coverage of label propagation algorithm — every cluster mentioning label propagation algorithm across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
3
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 4
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 4 条
  1. TOOL · CL_315386 ·

    新框架使用开放词汇模型进行高效、不确定性感知目标检测标注

    研究人员开发了一种半监督框架,以减少目标检测数据集所需的手动标注工作量。该方法利用开放词汇模型生成对象表示,然后采用基于图的标签传播算法为未标记的对象分配软标签。该框架量化了偶然不确定性和认知不确定性,在COCO等基准上的评估表明,在该半自动标注数据上训练的检测器,其性能与在完全手动标注数据上训练的检测器相当,而成本却大大降低。

  2. TOOL · CL_303552 ·

    半监督学习通过选择性未标记数据提升QSAR模型

    研究人员探索了半监督学习(SSL)在定量结构-活性关系(QSAR)建模中的有效性,特别是在使用ChEMBL等大型化学数据库时。他们的研究涉及10个QSAR数据集和超过40万个未标记分子,评估了三种SSL算法和四种数据选择策略。研究结果表明,未标记数据确实可以增强QSAR模型,某些配置的表现优于监督基线。值得注意的是,选择少量化学结构多样的分子比仅仅增加未标记数据的数量更有益,这表明未标记数据集的质量和组成对于该领域成功的SSL至关重要。

  3. TOOL · CL_309320 ·

    未标记数据选择提升化学研究中的QSAR模型

    一项新研究探讨了半监督学习(SSL)在定量结构-活性关系(QSAR)建模中的有效性,特别是在标记数据稀缺但未标记数据丰富的化学等领域。研究人员使用一个包含超过40万个未标记分子的庞大数据集,评估了三种SSL算法——自训练、协同训练和标签传播——以及四种数据选择策略。研究结果表明,未标记数据确实可以增强QSAR模型,并且在多个数据集上,特定的选择方法优于监督基线。值得注意的是,研究表明,所选未标记分子的多样性和化学距离比单纯的数量对实现…

  4. TOOL · CL_165095 ·

    图粗化和标签传播提升推荐系统效率

    研究人员开发了一种新颖的两阶段扩散框架,用于基于图的推荐系统,旨在提高可扩展性和效率。该方法结合了图粗化和多步标签传播,首先将节点聚合成有意义的社区,以减小图的大小同时保留关键关系。然后,初始扩散过程在粗化图上传播标签,随后在子图中进行第二次标签传播以生成最终推荐。在真实电信数据集上的实验表明,nDCG@5 有显著提高,与传统的全图方法相比,提升高达 24%,并且在结合轻量级图神经网络时,提升幅度更大。