AITOP

弱监督学习

共 6 条相关 AI 资讯
7月7日
11:40
11:40官方账号arXiv cs.AI@Raphaël Bonnet-Guerrini, Bruno Sanchez, Dominique Fouchez, Benjamin Racine, Maya Guy, Mariam Sabalbal, Manal Yassine, Vincenzo Piuri
该论文提出一种基于注入瞬变源与污染巡天数据、无需人类标注的Real-Bogus分类框架。采用非对称协同训练的双网络模型处理不同噪声等级的类别标签。在基准子集上分类性能强劲，在严重类别污染下仍保持稳定。混合不确定性量化策略在MC dropout与深度集成之间取得低成本且校准良好的结果。隐空间分析显示不确定性对齐决策边界并揭示了假阳性群体内的子类。
论文Real-Bogus分类不确定性量化弱监督学习天文瞬变源arXiv
推荐理由：这篇论文搞了个新训练方法，不用人工标数据就能把天文瞬变源和假信号分开，还自带靠谱的不确定度估计，对大型巡天项目很实用。
原文
6月12日
09:11
09:11官方账号arXiv cs.AI@Zian Yang, Zixin Wang
少样本字体生成需要同时保证全局结构完整性和局部风格细节。现有方法要么依赖全局内容-风格建模（鲁棒但解耦不完美），要么强调局部组件建模（捕捉细节但依赖局部先验和参考覆盖）。SmartFont 提出通过多级条件分配来组织互补但有偏的全局和局部条件，结合扩散模型与弱监督局部校正专家，实现全局-局部平衡。实验表明，该方法在字形质量和局部细节保真度上优于现有方法。
论文少样本字体生成扩散模型条件分配弱监督学习SmartFont
推荐理由：字体设计团队和AI生成研究者可以关注这个方案——它解决了少样本字体生成中全局与局部细节难以兼顾的痛点，直接提升字形质量和风格一致性。
原文
6月5日
12:02
12:02官方账号arXiv cs.AI@Alexander Möllers, Marvin Sextro, Julius Hense, Gabriel Dernbach, Klaus-Robert Müller
精选
多实例学习（MIL）处理的是包级别监督的问题，在计算病理学、卫星图像等领域有广泛应用。但现有算法在低标签数据场景下表现不佳，灵活模型容易过拟合，刚性模型难以适应新任务。本文提出一种基于Perceiver架构的上下文学习器，在合成数据上预训练后，仅需少量标注包即可解决新任务，推理时单次前向传播完成，无需梯度更新。研究设计了多种合成数据生成器，它们捕获互补的归纳偏置，混合预训练模型在12个MIL基准上平均性能最优，超越需要任务特定训练的监督基线。
论文多实例学习上下文学习Perceiver架构弱监督学习合成数据
推荐理由：做弱监督学习或医疗图像分析的团队，终于有了一个无需微调就能从少量标注包中学习的方案——单次前向传播搞定，值得直接试试。
原文
5月27日
10:50
10:50官方账号arXiv cs.LG@Ethan Harvey, Dennis Johan Loevlie, Michael C. Hughes
精选
在3D医学图像分析中，通常只有整个体积的单一标签，而非每张2D切片都有标签。弱监督学习下，注意力机制的多实例学习（MIL）可为每张切片生成注意力分数，但近期研究发现，一个忽略图像内容的简单中心聚焦基线方法，在脑部扫描切片分类上竟优于基于注意力和Transformer的MIL方法。该研究进一步验证，该基线在胸部和腹部CT扫描的切片分类上也表现更优。为此，作者提出Normal Guidance正则化技术，鼓励学习到的注意力分布遵循钟形曲线。在三个医学影像数据集（总计超过400万张2D切片）上，Normal Guidance使基于注意力和Transformer的MIL方法在切片级定位上显著优于现有技术，同时在全扫描分类上保持竞争力。
论文弱监督学习注意力机制医学影像正则化MIL
推荐理由：做医学影像分析的团队终于有了一个简单有效的正则化技巧——Normal Guidance能显著提升弱监督下的切片定位精度，比现有MIL方法更准，建议做3D医学图像分类的开发者试试。
原文
5月26日
11:46
11:46官方账号arXiv cs.AI@Xu Yao, Siyuan Zhou, Wu Zhenbo, Chaochuan Hou, Shuang Liang, Shiping wang, Hailiang Huang, Songqiao Han, Minqi Jiang
精选
弱监督异常检测（WSAD）长期分为不完整、不精确和不准确三种监督方向，但缺乏统一评估框架。该论文提出WSADBench，首个跨场景统一基准，系统评估了36种算法在4种模态下的表现，基于超过70万次实验。研究发现：弱监督场景间存在强相关性，挑战了当前研究方向的孤立性；专用WSAD算法仅在极端标签稀缺时占优，随监督增强或面对分布外数据时，表格基础模型和通用分类方法迅速超越；无标签数据在不同设置下效用不一致，相比标签精炼收益有限；模型对不同类型标签噪声的敏感性不对称。该基准已开源，旨在推动WSAD研究。
论文弱监督学习异常检测基准/评估表格基础模型WSADBench
推荐理由：做异常检测或弱监督学习的团队终于有了统一评估工具——WSADBench用70万次实验戳破了三个方向各自为战的假象，看完你会重新思考该用专用算法还是通用模型。
原文
5月14日
13:27
13:27官方账号arXiv cs.AI@Urvi Gianchandani, Praveen Tirupattur, Mubarak Shah
精选
该论文提出一种弱监督方法，仅利用视频级标签（正常/异常）训练网络，无需帧级或像素级标注。通过多实例排序损失（MIL）将异常和正常视频片段分别视为正包和负包，提取特征并训练分类器，从而为时空区域生成异常分数。方法同时检测时间（片段级）和空间（帧内局部区域）异常，在UCF Crime2Local数据集上验证了有效性。这解决了视频异常标注成本高的问题，为实际监控场景提供了更实用的方案。
论文弱监督学习异常检测时空检测多实例学习UCF Crime2Local
推荐理由：做视频监控或异常检测的团队，不用逐帧标注就能定位异常区域，直接省下大量标注成本，值得关注。
原文