Buchumschlag

Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Azar, Eyar, Nadler, Boaz
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robustness of OLS to sample removals: Theoretical analysis and implications
von: Azar, Eyar, et al.
Veröffentlicht: (2025)

Distributed Sparse Linear Regression under Communication Constraints
von: Fonseca, Rodney, et al.
Veröffentlicht: (2023)

Semi-Supervised Crowd Counting from Unlabeled Data
von: Duan, Haoran, et al.
Veröffentlicht: (2021)

Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
von: Zhou, Xuanning, et al.
Veröffentlicht: (2025)

AllMatch: Exploiting All Unlabeled Data for Semi-Supervised Learning
von: Wu, Zhiyu, et al.
Veröffentlicht: (2024)

Re-Evaluating the Impact of Unseen-Class Unlabeled Data on Semi-Supervised Learning Model
von: He, Rundong, et al.
Veröffentlicht: (2025)

Unlabeled Data Can Provably Enhance In-Context Learning of Transformers
von: Liu, Renpu, et al.
Veröffentlicht: (2026)

RGNMR: A Gauss-Newton method for robust matrix completion with theoretical guarantees
von: Laufer, Eilon Vaknin, et al.
Veröffentlicht: (2025)

Integrating Distribution Matching into Semi-Supervised Contrastive Learning for Labeled and Unlabeled Data
von: Nakayama, Shogo, et al.
Veröffentlicht: (2026)

How Does Unlabeled Data Provably Help Out-of-Distribution Detection?
von: Du, Xuefeng, et al.
Veröffentlicht: (2024)

On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation
von: Yu, Bing, et al.
Veröffentlicht: (2020)

High-Dimensional Bayesian Optimization via Semi-Supervised Learning with Optimized Unlabeled Data Sampling
von: Yin, Yuxuan, et al.
Veröffentlicht: (2023)

CATCHFed: Efficient Unlabeled Data Utilization for Semi-Supervised Federated Learning in Limited Labels Environments
von: Park, Byoungjun, et al.
Veröffentlicht: (2025)

InterLUDE: Interactions between Labeled and Unlabeled Data to Enhance Semi-Supervised Learning
von: Huang, Zhe, et al.
Veröffentlicht: (2024)

Decouple then Converge: Handling Unknown Unlabeled Distributions in Long-Tailed Semi-Supervised Learning
von: Gan, Kai, et al.
Veröffentlicht: (2024)

A Majorization-Minimization Gauss-Newton Method for 1-Bit Matrix Completion
von: Liu, Xiaoqian, et al.
Veröffentlicht: (2023)

When and How Unlabeled Data Provably Improve In-Context Learning
von: Li, Yingcong, et al.
Veröffentlicht: (2025)

FedAnchor: Enhancing Federated Semi-Supervised Learning with Label Contrastive Loss for Unlabeled Clients
von: Qiu, Xinchi, et al.
Veröffentlicht: (2024)

Bridged Clustering: Semi-Supervised Sparse Bridging
von: Ye, Patrick Peixuan, et al.
Veröffentlicht: (2025)

Positive and Unlabeled Data: Model, Estimation, Inference, and Classification
von: Liu, Siyan, et al.
Veröffentlicht: (2024)

On Provable Benefits of Muon in Federated Learning
von: Zhang, Xinwen, et al.
Veröffentlicht: (2025)

Hypergraph Transformer for Semi-Supervised Classification
von: Liu, Zexi, et al.
Veröffentlicht: (2023)

Taming the Sigmoid Bottleneck: Provably Argmaxable Sparse Multi-Label Classification
von: Grivas, Andreas, et al.
Veröffentlicht: (2023)

Tuning Algorithmic and Architectural Hyperparameters in Graph-Based Semi-Supervised Learning with Provable Guarantees
von: Du, Ally Yalei, et al.
Veröffentlicht: (2025)

Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth
von: Kögler, Kevin, et al.
Veröffentlicht: (2024)

Graph Semi-Supervised Learning for Point Classification on Data Manifolds
von: Netto, Caio F. Deberaldini, et al.
Veröffentlicht: (2025)

Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates for Prediction-Powered Causal Inference
von: Kato, Masahiro
Veröffentlicht: (2025)

Scaling Up Semi-supervised Learning with Unconstrained Unlabelled Data
von: Roy, Shuvendu, et al.
Veröffentlicht: (2023)

Provable Benefits of Sinusoidal Activation for Modular Addition
von: Huang, Tianlong, et al.
Veröffentlicht: (2025)

ModSSC: A Modular Framework for Semi-Supervised Classification on Heterogeneous Data
von: Barbaux, Melvin, et al.
Veröffentlicht: (2025)

Geometric Imbalance in Semi-Supervised Node Classification
von: Yan, Liang, et al.
Veröffentlicht: (2023)

Analyzing the Benefits of Prototypes for Semi-Supervised Category Learning
von: Zhang, Liyi, et al.
Veröffentlicht: (2024)

SpectralNet: Spectral Clustering using Deep Neural Networks
von: Shaham, Uri, et al.
Veröffentlicht: (2018)

SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data
von: Xu, Yang, et al.
Veröffentlicht: (2023)

Learning to Reason with Curriculum I: Provable Benefits of Autocurriculum
von: Rajaraman, Nived, et al.
Veröffentlicht: (2026)

Federated Source-free Domain Adaptation for Classification: Weighted Cluster Aggregation for Unlabeled Data
von: Mori, Junki, et al.
Veröffentlicht: (2024)

Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training
von: Bu, Dake, et al.
Veröffentlicht: (2025)

Mixed Graph Contrastive Network for Semi-Supervised Node Classification
von: Yang, Xihong, et al.
Veröffentlicht: (2022)

Recommendations with Sparse Comparison Data: Provably Fast Convergence for Nonconvex Matrix Factorization
von: Sankagiri, Suryanarayana, et al.
Veröffentlicht: (2025)

Learning Unlabeled Clients Divergence for Federated Semi-Supervised Learning via Anchor Model Aggregation
von: Elbatel, Marawan, et al.
Veröffentlicht: (2024)