כתבה
arXiv cs.LG ·
מרכז לאנומליות, ספקים לאנומליות: יצירת מרחב סמוי חד-צורתי ללמידה חצי-מובהקת כפול-מנוגדת
Hub for Outliers, Spokes for Inliers: Uniform Latent Space Construction for Dual-Mismatched Semi-Supervised Learning
אנו מציגים שיטה חדשה ללמידה חצי-מובהקת שמסוגלת להתמודד עם סתירות כפול-מנוגדות בהפצת כיתות ובמרחב התווים. השיטה כוללת יצירת מרחב סמוי חד-צורתי, שבו כיתות ידועות מופצות באופן סדיר סביב מרכז, וכל כיתה יוצרת קבוצות צפופות סביב דגם הכיתה. המרכז מספק נקודת מוצא לאזור עם רמת ודאות נמוכה, המיועד לדגימות כיתות לא ידועות. השיטה משלבת כלאסיפקטור ומציגה תוצאות שופרות על ידי הפחתת השפעת הכיתות הרב-גורפות והכוונת דגימות כיתות לא ידועות למרכז.
תקציר מקורי באנגליתarXiv:2610.07610v1 Announce Type: new Abstract: Semi-supervised learning typically assumes that labeled and unlabeled data share an identical class distribution and label space. However, this setting is often violated: unlabeled data may be imbalanced and contain unknown class samples, causing mismatches in both class distribution and label space. Such dual mismatch leads to majority classes dominating the latent space and unknown class samples being overconfidently misclassified, degrading feature discriminability and pseudo-label quality. To address this, we propose a hub-spoke latent geometry, where known classes are uniformly distributed around a central hub and each class forms compact clusters around its prototype, while the hub provides an anchor for a low-evidence region specifical
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית