计算机应用研究

作者：陈锦翔,汤梦姿,解庆,刘永坚,

单位：武汉理工大学计算机与人工智能学院,武汉430070；

关键词：有序分类,半监督学习,有序单峰约束,一致性正则化,代理学习,伪标签,

基金：武汉理工大学自主创新研究基金资助项目(2024IVA036)；；

针对当前半监督方法应用在有序分类任务中存在的类别顺序关系建模不足及伪标签噪声问题，提出一种结合有序代理与双置信筛选的半监督分类框架（OPMatch）。首先在分类交叉熵损失基础上引入有序单峰约束项，通过约束类别分布呈现单峰特性，增强模型对误分类代价的敏感性；其次在特征空间的单位超球体上引入有序半圆排列的类别代理机制，在数据稀缺环境下有效建模类别顺序关系；同时对无标签数据结合数据增强和一致性正则化，并采用双置信度筛选策略生成伪标签，有效利用无标注数据并降低伪标签噪声对模型学习的影响。在Adience、Aptos2019和HistoricalColor三个不同有序分类任务数据集上的实验结果表明，该方法的有序分类能力优于现有半监督学习方法。该方法显著提升了标注稀缺场景下的有序分类性能，为半监督有序分类任务提供了通用且有效的思路。

来源：2025年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第9期