Buchumschlag

Forming Auxiliary High-confident Instance-level Loss to Promote Learning from Label Proportions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Tianhao, Chen, Han, Hu, Juncheng, Zhu, Yungang, Li, Ximing
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning from Label Proportions with Dual-proportion Constraints
von: Ma, Tianhao, et al.
Veröffentlicht: (2026)

Optimistic Rates for Learning from Label Proportions
von: Li, Gene, et al.
Veröffentlicht: (2024)

Decoupled Split Learning via Auxiliary Loss
von: Zihad, Anower, et al.
Veröffentlicht: (2026)

Learning from Label Proportions: Bootstrapping Supervised Learners via Belief Propagation
von: Havaldar, Shreyas, et al.
Veröffentlicht: (2023)

Auxiliary Reward Generation with Transition Distance Representation Learning
von: Li, Siyuan, et al.
Veröffentlicht: (2024)

Handling Label Noise via Instance-Level Difficulty Modeling and Dynamic Optimization
von: Zhang, Kuan, et al.
Veröffentlicht: (2025)

Personalized Subgraph Federated Learning with Differentiable Auxiliary Projections
von: Zhuo, Wei, et al.
Veröffentlicht: (2025)

Balancing Multimodal Learning through Label Space Reshaping
von: Ma, Xiaoyu, et al.
Veröffentlicht: (2026)

Detecting Scarce and Sparse Anomalous: Solving Dual Imbalance in Multi-Instance Learning
von: Jia, Lin-Han, et al.
Veröffentlicht: (2025)

Learning from Aggregate responses: Instance Level versus Bag Level Loss Functions
von: Javanmard, Adel, et al.
Veröffentlicht: (2024)

VOLTA: The Surprising Ineffectiveness of Auxiliary Losses for Calibrated Deep Learning
von: Ray, Rahul D, et al.
Veröffentlicht: (2026)

Aux-NAS: Exploiting Auxiliary Labels with Negligibly Extra Inference Cost
von: Gao, Yuan, et al.
Veröffentlicht: (2024)

Instances and Labels: Hierarchy-aware Joint Supervised Contrastive Learning for Hierarchical Multi-Label Text Classification
von: Yu, Simon, et al.
Veröffentlicht: (2023)

A Theoretical Framework for Auxiliary-Loss-Free Load Balancing of Sparse Mixture-of-Experts in Large-Scale AI Models
von: Han, X. Y., et al.
Veröffentlicht: (2025)

High-dimensional Learning with Noisy Labels
von: Firdoussi, Aymane El, et al.
Veröffentlicht: (2024)

Contrastive Learning for Multi Label ECG Classification with Jaccard Score Based Sigmoid Loss
von: Takahashi, Junichiro, et al.
Veröffentlicht: (2026)

Delving into Instance-Dependent Label Noise in Graph Data: A Comprehensive Study and Benchmark
von: Kim, Suyeon, et al.
Veröffentlicht: (2025)

Learning Label Hierarchy with Supervised Contrastive Learning
von: Lian, Ruixue, et al.
Veröffentlicht: (2024)

Learning from Noisy Labels for Long-tailed Data via Optimal Transport
von: Li, Mengting, et al.
Veröffentlicht: (2024)

Online Multi-Label Classification under Noisy and Changing Label Distribution
von: Zou, Yizhang, et al.
Veröffentlicht: (2024)

Improving Continual Learning Performance and Efficiency with Auxiliary Classifiers
von: Szatkowski, Filip, et al.
Veröffentlicht: (2024)

Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation
von: Lukasik, Michal, et al.
Veröffentlicht: (2025)

Instance-level Randomization: Toward More Stable LLM Evaluations
von: Li, Yiyang, et al.
Veröffentlicht: (2025)

TMLC-Net: Transferable Meta Label Correction for Noisy Label Learning
von: Li, Mengyang
Veröffentlicht: (2025)

An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes
von: Hu, Jiayu, et al.
Veröffentlicht: (2024)

SortScrews: A Dataset and Baseline for Real-time Screw Classification
von: Fu, Tianhao, et al.
Veröffentlicht: (2026)

Extending confidence calibration to generalised measures of variation
von: Thompson, Andrew, et al.
Veröffentlicht: (2026)

Robust Model-Based Reinforcement Learning with an Adversarial Auxiliary Model
von: Herremans, Siemen, et al.
Veröffentlicht: (2024)

Depth-Structured Music Recurrence: Budgeted Recurrent Attention for Full-Piece Symbolic Music Modeling
von: Yi, Yungang, et al.
Veröffentlicht: (2026)

Reinforcement Learning via Auxiliary Task Distillation
von: Harish, Abhinav Narayan, et al.
Veröffentlicht: (2024)

Batch Bayesian Active Learning with Partial Batch Label Sampling
von: Hu, Kangping, et al.
Veröffentlicht: (2025)

Exploring Loss Design Techniques For Decision Tree Robustness To Label Noise
von: Sztukiewicz, Lukasz, et al.
Veröffentlicht: (2024)

Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion
von: Du, Liang, et al.
Veröffentlicht: (2024)

Learning from Label Proportions and Covariate-shifted Instances
von: Singh, Sagalpreet, et al.
Veröffentlicht: (2024)

Variational Learning Induces Adaptive Label Smoothing
von: Yang, Sin-Han, et al.
Veröffentlicht: (2025)

Enhancing Molecular Property Prediction with Auxiliary Learning and Task-Specific Adaptation
von: Dey, Vishal, et al.
Veröffentlicht: (2024)

Representation Learning of Auxiliary Concepts for Improved Student Modeling and Exercise Recommendation
von: Badran, Yahya, et al.
Veröffentlicht: (2025)

Thought calibration: Efficient and confident test-time scaling
von: Wu, Menghua, et al.
Veröffentlicht: (2025)

CATS-Linear: Classification Auxiliary Linear Model for Time Series Forecasting
von: Jibao, Zipo, et al.
Veröffentlicht: (2025)

Towards Instance-wise Personalized Federated Learning via Semi-Implicit Bayesian Prompt Tuning
von: Ye, Tiandi, et al.
Veröffentlicht: (2025)