扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

对外经济贸易大学:LLP-AAE:用对抗性自动编码器从标签比例中学习

论论资讯 | 2023-04-20 3热度

Neurocomputing

Explore content

About the journal

Publish with us

LLP-AAE: Learning from label proportions with adversarial autoencoder

Wang B.; Sun Y.; Tong Q.

Published:2023-06-07
DOI:10.1016/j.neucom.2023.03.019

研究背景

在当今社会中,我们经常面临各种标注不全、标注不准确或标注成本高昂的问题。这些问题给机器学习和人工智能的发展带来了很大的挑战。为了解决这些问题,许多学者们致力于研究弱监督学习算法,其中,学习从标签比例中学习(LLP)是一种重要的方法。

研究内容

在这篇论文中,研究者们提出了一种名为LLP-AAE的弱监督学习算法,通过使用对抗自编码器(AAE)来从标签比例中学习。LLP-AAE利用自编码器的骨干结构,并在潜在空间中进行对抗训练,以匹配隐藏编码的聚合后验分布与先验分布。通过这种方式,编码器不仅用于重构任务,还致力于生成假样本,以尽可能地欺骗鉴别器。最终,编码器被用作未见数据的有竞争力的标签预测器。除了LLP分类器之外,我们的模型还可以通过将解码器提供逐渐变化的潜在代码来实现可控的样本生成,这被证明对于更好的LLP性能非常有用。我们还通过将LLP问题视为基于比例的伪标签生成和判别性重构之间的替代学习过程来提供LLP-AAE的全景解释。在六个基准图像数据集上的实验表明,我们的方法在风格操纵与潜在特征表示以及与最先进模型相比的多类LLP性能方面具有优势。

研究意义

LLP-AAE算法的创新之处在于,它通过使用对抗自编码器来学习标签比例,从而在弱监督学习中取得了很好的效果。与传统方法相比,LLP-AAE算法能够更好地应对标注不全、标注不准确或标注成本高昂的问题,具有很大的应用前景。此外,LLP-AAE算法还可以用于样本生成和风格操纵,这在图像处理领域中也具有很大的应用价值。

微信扫码即可查看