Buchumschlag

Learning from Label Proportions with Dual-proportion Constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Tianhao, Li, Ximing, Li, Changchun, Guan, Renchu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Forming Auxiliary High-confident Instance-level Loss to Promote Learning from Label Proportions
von: Ma, Tianhao, et al.
Veröffentlicht: (2024)

Harmful Visual Content Manipulation Matters in Misinformation Detection Under Multimedia Scenarios
von: Wang, Bing, et al.
Veröffentlicht: (2026)

Dual-level Mixup for Graph Few-shot Learning with Fewer Tasks
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Enhancing Unsupervised Graph Few-shot Learning via Set Functions and Optimal Transport
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion
von: Liu, Yonghao, et al.
Veröffentlicht: (2026)

Meta-GPS++: Enhancing Graph Meta-Learning with Contrastive Learning and Self-Training
von: Liu, Yonghao, et al.
Veröffentlicht: (2024)

Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Semi-Supervised Learning with Balanced Deep Representation Distributions
von: Li, Changchun, et al.
Veröffentlicht: (2026)

Hypergraph Contrastive Learning for both Homophilic and Heterophilic Hypergraphs
von: Guan, Renchu, et al.
Veröffentlicht: (2025)

Theoretical Proportion Label Perturbation for Learning from Label Proportions in Large Bags
von: Kubo, Shunsuke, et al.
Veröffentlicht: (2024)

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

Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries
von: Su, Jiaxu, et al.
Veröffentlicht: (2026)

Harmfully Manipulated Images Matter in Multimodal Misinformation Detection
von: Wang, Bing, et al.
Veröffentlicht: (2024)

Proportion Estimation by Masked Learning from Label Proportion
von: Okuo, Takumi, et al.
Veröffentlicht: (2024)

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

Optimal Learning from Label Proportions with General Loss Functions
von: Applebaum, Lorne, et al.
Veröffentlicht: (2025)

Dual-Label Learning With Irregularly Present Labels
von: Li, Mingqian, et al.
Veröffentlicht: (2024)

Nearly Optimal Sample Complexity for Learning with Label Proportions
von: Busa-Fekete, Robert, et al.
Veröffentlicht: (2025)

Learning Causal Transition Matrix for Instance-dependent Label Noise
von: Li, Jiahui, et al.
Veröffentlicht: (2024)

Class-aware and Augmentation-free Contrastive Learning from Label Proportion
von: Wang, Jialiang, et al.
Veröffentlicht: (2024)

Hardness of Learning Boolean Functions from Label Proportions
von: Guruswami, Venkatesan, et al.
Veröffentlicht: (2024)

LLP-Bench: A Large Scale Tabular Benchmark for Learning from Label Proportions
von: Brahmbhatt, Anand, et al.
Veröffentlicht: (2023)

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

Weakly-Supervised Domain Adaptation with Proportion-Constrained Pseudo-Labeling
von: Okuo, Takumi, et al.
Veröffentlicht: (2025)

Robust Misinformation Detection by Visiting Potential Commonsense Conflict
von: Wang, Bing, et al.
Veröffentlicht: (2025)

Variety Is the Spice of Life: Detecting Misinformation with Dynamic Environmental Representations
von: Wang, Bing, et al.
Veröffentlicht: (2025)

Leveraging Label Proportion Prior for Class-Imbalanced Semi-Supervised Learning
von: Akiba, Kohki, et al.
Veröffentlicht: (2026)

Learning from M-Tuple Dominant Positive and Unlabeled Data
von: Qin, Jiahe, et al.
Veröffentlicht: (2025)

Rethinking Consistent Multi-Label Classification Under Inexact Supervision
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Structure-Preserving Margin Distribution Learning for High-Order Tensor Data with Low-Rank Decomposition
von: Xu, Yang, et al.
Veröffentlicht: (2025)

Improving Open-world Continual Learning under the Constraints of Scarce Labeled Data
von: Li, Yujie, et al.
Veröffentlicht: (2025)

Generalizing Dynamics Modeling More Easily from Representation Perspective
von: Wang, Yiming, et al.
Veröffentlicht: (2026)

Local K-Similarity Constraint for Federated Learning with Label Noise
von: Amgain, Sanskar, et al.
Veröffentlicht: (2025)

Cost-Sensitive Unbiased Risk Estimation for Multi-Class Positive-Unlabeled Learning
von: Zhang, Miao, et al.
Veröffentlicht: (2025)

A Unified and Stable Risk Minimization Framework for Weakly Supervised Learning with Theoretical Guarantees
von: Zhang, Miao, et al.
Veröffentlicht: (2025)

Learning from Stochastic Labels
von: Wei, Meng, et al.
Veröffentlicht: (2023)

Learning from Concealed Labels
von: Li, Zhongnian, et al.
Veröffentlicht: (2024)

When Self-Belief Misleads: Active Label Acquisition for Reinforcement Learning with Verifiable Rewards
von: Wang, Li, et al.
Veröffentlicht: (2026)

DA-SPS: A Dual-stage Network based on Singular Spectrum Analysis, Patching-strategy and Spearman-correlation for Multivariate Time-series Prediction
von: Zhang, Tianhao, et al.
Veröffentlicht: (2026)

Semi-Supervised Federated Learning via Dual Contrastive Learning and Soft Labeling for Intelligent Fault Diagnosis
von: Dai, Yajiao, et al.
Veröffentlicht: (2025)