본 논문에서는 레이블링된 데이터가 제한적인 상황에서 라이다 의미론적 분할 성능을 향상시키기 위해 장면 내 일관성과 장면 간 상관관계를 활용하는 새로운 준지도 학습 프레임워크인 AIScene을 제안합니다.
본 논문에서는 제한된 레이블 데이터 환경에서 심전도(ECG) 기반 심혈관 질환 감지를 위한 계산 효율적인 준지도 학습 패러다임(CE-SSL)을 제안합니다. CE-SSL은 높은 계산 효율성을 유지하면서 레이블이 부족한 데이터셋에 사전 학습된 모델을 효과적으로 적용할 수 있도록 합니다.
Mediffusion은 의료 영상 생성과 준지도 학습을 동시에 수행하는 새로운 딥러닝 모델로, 레이블이 부족한 의료 영상 데이터 환경에서 높은 성능과 설명 가능성을 제공합니다.
본 논문에서는 레이블이 지정되지 않은 데이터를 효과적으로 활용하여 예측 성능을 향상시키는 준지도 학습 프레임워크 내에서 코퓰라 기반 회귀 및 모델 평균 기법을 제안합니다.
본 논문에서는 레이블이 지정된 데이터가 제한적인 상황에서 그래프의 립시츠 학습을 활용하여 데이터 분류를 위한 준지도 학습 접근 방식을 제시합니다. 특히, 클래스 불균형 문제를 해결하기 위해 무한대 라플라시안 연산자의 속성을 이용하여 레이블 전파를 효율적으로 수행하는 방법을 제안합니다.
본 논문에서는 의료 영상 분류 작업에서 레이블링 비용을 줄이기 위해 절대적 위치 일관성(AL-c) 기반 기존 방법을 넘어 상대적 위치 일관성(RL-c) 개념을 새롭게 제시하고, 대조 학습을 통해 샘플 분포를 개선하여 더욱 정확하고 강력한 준지도 학습 프레임워크를 제안합니다.
준지도 학습에서 레이블링된 데이터의 품질과 대표성은 매우 중요하며, 레이블링을 위해 선택된 샘플과 레이블 데이터를 활용하는 방식이 모델 성능에 큰 영향을 미친다.
이 논문에서는 대규모 그래프에서 그린 함수 방법의 불안정성을 분석하고 최적화 관점에서 개선된 방법을 제안하여 그린 함수 방법의 효율성과 정확성을 향상시켰습니다.
본 논문에서는 제한된 레이블 데이터를 사용하여 변화 감지 성능을 향상시키기 위해 시각-언어 모델(VLM)을 활용한 새로운 준지도 학습 기반 변화 감지 방법론인 SemiCD-VL을 제안합니다.
이 논문에서는 제한된 레이블 데이터를 최대한 활용하여 소량 샘플 인스턴스 분할 성능을 향상시키는 SemInst라는 새로운 솔루션을 제안합니다.