实体
Partial Label Learning with competitive learning graph neural network
Partial Label Learning with competitive learning graph neural network
PulseAugur coverage of Partial Label Learning with competitive learning graph neural network — every cluster mentioning Partial Label Learning with competitive learning graph neural network across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的可校准消歧损失提高了 AI 分类器的可靠性
研究人员引入了一种名为可校准消歧损失（CDL）的新方法，以提高多实例部分标签学习（MIPL）任务中分类器的可靠性。这种即插即用的损失函数通过调整具有候选者与竞争者预测裕量的消歧目标来提高分类准确性和校准。该方法在理论上进行了分析，并通过在基准数据集和真实世界数据集上的实验进行了验证，提供了两种专注于候选者级别分离或候选者与非候选者抑制的变体，在预期校准误差方面显示出显著的改进。
-
部分标签学习改进了带有模糊标签的心电图诊断
研究人员对将部分标签学习（PLL）方法应用于心电图（ECG）诊断进行了系统性研究，解决了现实临床环境中标签模糊的挑战。该研究为多标签心电图诊断改编了九种PLL算法，并在具有诊断分歧的真实临床数据和合成生成的标签模糊数据上评估了它们的性能。研究结果表明，PLL方法对不同类型和程度的模糊性表现出不同的鲁棒性，但总体上优于标准的监督学习训练，表明它们在改进心电图诊断模型方面具有价值。