semi-supervised learning
PulseAugur coverage of semi-supervised learning — every cluster mentioning semi-supervised learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PC-Seg框架使用稀疏2D标注进行准确的3D OCT图像分割
研究人员开发了PC-Seg，一种用于3D光学相干断层扫描（OCT）图像分割的新型框架。该方法利用半监督学习，显著减少了对广泛手动标注的需求，而手动标注是医学成像中的常见瓶颈。PC-Seg利用来自稀疏2D标注的跨视图一致性来生成可靠的伪标签，然后使用这些伪标签来训练3D分割模型。实验表明，PC-Seg在仅需要少量数据标注的情况下，实现了与完全监督方法相媲美的准确性。
-
新的MTSSL框架统一了半监督学习中的伪标签阈值
研究人员推出了一种新颖的框架——元阈值半监督学习（MTSSL），它统一了对半监督学习中伪标签阈值的理解。该研究从统计学上解释了阈值参数如何平衡正确和不正确的伪标签，并表明精确的最优值可能并非必需。通过将阈值视为可通过微分进行优化的可更新参数，MTSSL在大量实验中表现出卓越的性能，并表明在未来的半监督学习算法设计中，阈值选择可能得到放宽。
-
新求解器加速图 $p$-拉普拉斯半监督学习
研究人员开发了一种新颖的图 $p$-拉普拉斯半监督学习求解器，该求解器实现了近线性时间复杂度。这种新方法解决了现有求解器的局限性，尤其是在 $p$ 值较高时系统可能变得病态的问题。通过在 $p$ 中采用连续性方法和阻尼弦牛顿法，该求解器保持了良态系统，与直接分解方法相比，实现了显著的加速和更低的内存使用。该方法在大规模图族和 MNIST 等基准数据集上表现出改进的性能，优于标准的二次方 ($p=2$) 方法。
-
新框架通过半监督学习增强胎儿超声分割
研究人员开发了DACL，一种旨在改进胎儿超声图像分割的新型半监督框架。该方法利用了一个轻量级卷积网络和一个基于Transformer的网络，通过一致性正则化利用有限的标记数据和未标记数据。DACL引入了一种双一致性损失，该损失对齐分布预测和不确定性，旨在减少不可靠的伪标签的影响。该框架还结合了基于插值的混合增强策略以提高鲁棒性，在极端标注稀缺的情况下显著提高了边界精度。
-
新的蒸馏方法增强了车辆碰撞规避AI性能
研究人员开发了一种实例感知知识蒸馏框架，以改进碰撞规避系统的半监督学习。该方法通过结合教师模型的领域先验知识和基础模型的实例中心知识来生成伪标签，旨在降低边缘部署的标注成本和计算需求。由此产生的轻量级学生模型可以实时执行多种密集预测任务，例如实例分割和单目深度估计，在分割方面优于较大的教师模型，同时保持深度估计的性能。该系统已在乡村俱乐部环境中使用自定义数据集和低成本边缘设备进行了验证。
-
新的SADA方法通过聚合黑盒模型改进半监督学习
研究人员开发了SADA，一种在半监督学习场景中安全自适应地聚合多个黑盒模型预测的新方法。该方法保证性能不差于仅使用标记数据，并且如果任何单个预测是完美的，则可以实现最佳效率。该方法已通过模拟和真实数据分析得到证明，并提供了一个配套的R包用于实现。
-
新SCKAN方法利用KAN增强胰腺分割
研究人员开发了SCKAN，一种利用Kolmogorov-Arnold网络（KANs）的新型半监督胰腺分割学习方法。该方法通过引入结构共识学习，解决了现有方法因形态变异和稀疏监督而存在的局限性。SCKAN结合了结构约束原型一致性学习（SPCL）以实现无偏的结构表示，以及基于共识的Kolmogorov-Arnold融合（CKaF）以减少形态特异性偏差，并在实验中证明了其有效性。
-
医学AI研究指出分割模型存在过度自信问题
研究人员发现，在3D医学图像分割的半监督学习中存在严重的过度自信问题。他们认为，当前的方法常常将预测置信度与真实不确定性混淆，导致确认偏差。此外，许多基准测试中缺乏专门的验证集，鼓励使用测试集进行验证，从而夸大了性能估计，并造成了过拟合的“军备竞赛”。为解决此问题，提出了一种新框架，该框架明确区分了置信度和不确定性，并纠正了不同数据空间中的偏差，提倡更严格的基准测试实践。