semi-supervised learning
PulseAugur coverage of semi-supervised learning — every cluster mentioning semi-supervised learning across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
New SCKAN Method Enhances Pancreas Segmentation with KANs
Researchers have developed SCKAN, a novel semi-supervised learning method for pancreas segmentation that utilizes Kolmogorov-Arnold Networks (KANs). This approach addresses limitations in existing methods caused by morp…
-
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。