.png){kind=icon}
返回
Kernel-Based Representation Alignment for Class Imbalanced Semi-Supervised Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3622936.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督学习（SSL）通过利用未标记数据的潜力，为从有限标记数据中学习的挑战提供了一种有前景的解决方案，从而避免了昂贵的标记工作。然而，常见的SSL方法在许多现实场景中往往会遇到领域漂移问题，其中类别分布是不平衡的。为了使机器学习对不平衡数据集更具鲁棒性，确保为每个类别学习一致表示，无论可用数据量多少，都是至关重要的。因此，我们提出了一种简单而有效的核函数映射策略，以在无限维空间中对齐每个类的表示。具体而言，我们采用高斯核函数将未标记数据的表示映射到标记数据的质心，从而能够在无限维空间中进行相似性比较。通过这种方式，我们能够在表示层面优化预测的伪标签。为了更好地处理类别不平衡问题，我们注意到，对于多数类，通常能获得高召回率但低精确率；而对于少数类，则能获得高精确率但低召回率。我们采用了选择性策略，对多数类的预测进行修正，同时保持对少数类所分配伪标签的置信度。在各种基准测试和训练设置上的广泛评估验证了所提出方法相比现有相关最先进方法的优越性能。
Keyword:
Class imbalance
kernel function
pseudo-labeling
representation alignment
semi-supervised learning (SSL)
期刊
IF:
8.9
论文数:
7.7K
被引数:
7.8W
机构
引用论文
.png){kind=icon}
Real-time adaptable fault analysis of rotating machines based on Marine predator algorithm optimised LightGBM approach基于海洋捕食者算法优化LightGBM的旋转机械实时适应性故障分析
PREAI
分享收藏Semi-supervised generative adversarial network (SGAN) for damage detection in a composite plate using guided wave responses基于导波响应的复合材料板损伤检测半监督生成对抗网络（SGAN）
PREAI
分享收藏DASO: Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning
OAAI
OAAI分享收藏Unifying Distribution Alignment as a Loss for Imbalanced Semi-supervised Learning将分布对齐统一为一种损失函数，用于不平衡半监督学习
PREAI
分享收藏
查看更多内容