Modello Generativo Profondo Multimodale per Apprendimento Semi-Supervisionato in Condizioni di Squilibrio di Classe
Un nuovo modello generativo profondo multimodale affronta l'apprendimento semi-supervisionato in contesti di squilibrio di classe. Questo metodo impiega codificatori distinti per ciascuna modalità, consentendo al contempo la condivisione di variabili latenti tra di esse, e semplifica il calcolo della distribuzione a posteriori congiunta utilizzando una tecnica di prodotto di esperti. Per contrastare più efficacemente lo squilibrio di classe, sostituisce le distribuzioni gaussiane standard con distribuzioni t di Student per le prior. Il modello mira a sfruttare modalità complementari e a ridurre il trasferimento di bias dai dati etichettati squilibrati alle pseudo-etichette per il dataset non etichettato.
Fatti principali
- Propone un modello generativo profondo multimodale per l'apprendimento semi-supervisionato in condizioni di squilibrio di classe
- Utilizza codificatori separati per ciascuna modalità con variabili latenti condivise
- Impiega il metodo del prodotto di esperti per il calcolo della distribuzione a posteriori congiunta
- Sostituisce le distribuzioni gaussiane con distribuzioni t di Student per le prior per affrontare lo squilibrio
- Mira a ridurre la propagazione del bias dai dati etichettati squilibrati alle pseudo-etichette
- Pubblicato su arXiv con ID 2605.06289
- Tipo di annuncio: cross
- Affronta il problema dello squilibrio di classe amplificato in condizioni di supervisione parziale
Entità
Istituzioni
- arXiv