类原型生成框架

每个标签由一组专属原型描述，通过判别器加权实例贡献，适应有限样本中的标签模糊问题。

Haixiang, Li · 方敏 · 李肖 · 陈渤

Engineering Applications of Artificial Intelligence 2024

技术优势

自适应平衡模型

自适应损失调节动态平衡生成器、判别器和分类器的权重，缓解低质量样本的负面影响。

抗噪能力更强

判别器为每个样本赋予代表性权重，降低对劣质样本的依赖，提升在真实数据上的鲁棒性。

应用场景

• 弱监督学习：用原型生成和判别器加权替代全标注，减少人工标注成本。
• 多标签分类：为每个标签生成专属原型，缓解标签歧义，提升多标签识别精度。
• 小样本学习：利用原型表示在有限样本下学习判别特征，适配小样本场景。
• 医学影像分析：处理医学影像中常见的标签歧义和小样本问题，辅助诊断分类。
• 医学影像分析：减轻影像标注中多标签混淆的影响，提升模型可靠性。