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.
2 天有情绪数据
-
PaSta框架通过部分标签学习解决噪声节点分类问题
研究人员推出PaSta，一个旨在解决图机器学习中噪声节点分类挑战的新型框架。与依赖独热编码标签的传统方法不同，PaSta利用部分标签学习来提高对损坏或不可靠节点标签的鲁棒性。该框架训练多个标注器生成高质量的部分标签，并采用自训练策略来迭代地优化这些标签和分类模型。实验表明，PaSta在各种噪声水平下，分类性能平均提高了1.1%。
-
新论文探讨弱监督深度学习的进展
一篇最近发表在arXiv上的论文详细介绍了弱监督学习领域的进展，该领域专注于用不完美的数据训练出准确的模型。该研究引入了新的监督范式，放宽了现有假设，并提出了实用的解决方案。探索的关键领域包括置信度差异分类、具有更灵活数据假设的互补标签学习，以及用于偏标签学习的评估框架，以确保公平的算法评估。
-
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。