FALCON：无监督细标签推断，突破粗标签限制，提升22%分类性能| ICML'24

主要观点总结

论文提出一种名为FALCON的方法，可以从粗粒度标记数据中无需细粒度级别的监督就能发现细粒度类别。该方法结合了粗粒度和细粒度类别之间的关系来恢复细粒度预测，并通过交替优化过程进行训练。实验结果表明，FALCON在图像和单细胞数据上均能有效地发现细粒度类别，并优于基线方法。论文还介绍了数据集和评估指标。

关键观点总结

关键观点1: 研究背景

先前的方法需要预设细粒度类别和获取小部分样本，而论文提出的FALCON方法可以在没有细粒度标签的情况下发现细粒度类别。

关键观点2: 方法概述

FALCON通过结合粗粒度和细粒度类别之间的关系来恢复细粒度预测，使用交替优化过程进行训练，并引入额外的目标来鼓励一致的细粒度预测和更有信心的分配。

关键观点3: 实验评估

在多个图像分类数据集和单细胞RNA测序数据集上评估了FALCON，实验结果表明其性能优于基线方法。

关键观点4: 数据集和评估指标

介绍了实验中使用的数据集、评估指标和基线方法。

文章预览

在许多实际应用中，相对于反映类别之间微妙差异的细粒度标签，我们更容易获取粗粒度标签。然而，现有方法无法利用粗标签以无监督的方式推断细粒度标签。为了填补这个空白，论文提出了 FALCON ，一种从粗粒度标记数据中无需细粒度级别的监督就能发现细粒度类别的方法。 FALCON 同时推断未知的细粒度类别和粗粒度类别之间的潜在关系。此外， FALCON 是一种模块化方法，可以有效地从多个具有不同策略的数据集中学习。我们在八个图像分类任务和一个单细胞分类任务上评估了 FALCON 。 FALCON 在 tieredImageNet 数据集上超过最佳基线 22 ％，实现了 600 多个细粒度类别。 来源：晓飞的算法工程笔记 公众号，转载请注明出处 论文: Fine-grained Classes and How to Find Them 论文地址：https://arxiv.org/abs/2406.11070 代码地址：https://github.com/mlbio-epfl/falcon Introduction   机器 ………………………………