.png){kind=icon}
返回
MBP: Rethinking class-imbalanced semi-supervised learning from the multi-binary perspective
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133273.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
类别不平衡半监督学习（CI-SSL）在现实应用中发挥着关键作用。然而，由于数据分布的倾斜，传统方法常常生成偏向多数类的伪标签，从而降低了少数类的性能。我们发现CI-SSL的核心瓶颈在于传统多分类框架中的全局优化范式无法适应类别特定的需求：多数类主导优化过程并忽略少数类，而现有的统一校正策略难以实现精确的类别级偏差缓解。为应对这一挑战，我们提出MBP（多二元视角），一种从多二元分类角度重新表述CI-SSL的新型方法。MBP将多分类不平衡任务分解为K个一-vs-余（OVA）二元子任务，从而实现针对极端类别不平衡的定向优化。在该框架内，我们设计了一种结合双调整策略（DAS）的调整损失（ADL），以保护少数类表示。此外，引入类别级动态阈值（CWDT）以自适应地设置阈值，生成高质量伪标签。通过结合线性分类器和多二元分类器的双分支架构训练，MBP在CIFAR-10-LT、CIFAR-100-LT和STL-10-LT数据集上实现了当前最优（SOTA）性能。本研究为CI-SSL提供了一种轻量且稳健的解决方案，同时为缓解伪标签偏差提供了新的范式。
Keyword:
Class-Imbalanced Semi-Supervised Learning
Multi-Binary Perspective
Pseudo-Label Bias
Minority-Class Optimization
Dual Adjustment Strategy
