直播预告|ICLR 2022：PiCO：基于对比消歧的偏标签学习

最新推荐文章于 2023-10-16 10:32:55 发布

AI_Drive

最新推荐文章于 2023-10-16 10:32:55 发布

阅读量3.2k

点赞数

文章标签：人工智能

本文链接：https://blog.csdn.net/AI_Drive/article/details/124196781

版权

浙江大学博士王皓波将在AI Drive直播间解读其在ICLR 2022发表的PiCO，这是一种针对偏标签学习的对比消歧方法。PiCO通过对比学习和类原型标签消歧，解决 PLL 的表征学习和歧义问题，实验证明其在弱监督学习中表现出色，甚至可与全监督学习效果相媲美。

摘要由CSDN通过智能技术生成

「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到浙江大学人工智能系在读博士-王皓波，为大家在线解读其发表在 ICLR 2022的最新研究成果：PiCO：基于对比消歧的偏标签学习。对本期主题感兴趣的小伙伴，4 月 19 日（周二）晚 7 点，我们准时相约 AI_Drive B 站直播间。

一、直播信息

1、演讲摘要：

偏标签学习 (Partial Label Learning, PLL) 是一个经典的弱监督学习问题，它允许每个训练样本关联一个候选的标签集合，适用于许多具有标签不确定性和歧义的的现实世界数据标注场景。然而，现存的 PLL 算法与完全监督下的方法依然存在较大差距。为此，本文提出一个协同的框架解决 PLL 中的两个关键研究挑战——表征学习和标签消歧。具体地，我们提出的 PiCO 由一个对比学习模块和一个新颖的基于类原型的标签消歧算法组成。PiCO 为来自同一类的样本生成紧密对齐的表示，同时促进标签消歧。从理论上讲，我们表明这两个组件能够互相促进，并且可以从期望最大化 (EM) 算法的角度得到严格证明。大量实验表明，PiCO 在 PLL 中显着优于当前最先进的