数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

Semi-supervised Anomaly Detection using AutoEncoders PDF全文翻译，属于缺陷检测的文档，适合于研究目标检测方面的研究者

Semi-supervised Anomaly Detection using AutoEncoders全文英文注解，适合于英文较好的研究者，看英文的文档更有味道一些

判别学习、恢复学习和对抗性学习已被证明对计算机视觉和医学成像中的自监督学习方案有益。然而，现有的努力，忽略了它们在三元设置中相互之间的协同作用，我们认为，这可以显著地有利于深度语义表示学习。为了实现这一愿景，我们开发了DiRA，这是第一个将判别学习、恢复学习和对抗学习统一起来的框架，以协作的方式从未标记的医学图像中收集互补的视觉信息，用于细粒度语义表示学习。我们的广泛实验表明，DiRA (1) 鼓励三种学习成分之间的协作学习，从而在器官、疾病和模态中产生更一般化的表征; (2) 优于完全监督的ImageNet模型，并在小数据领域增强鲁棒性，减少多个医学成像应用程序的注释成本; (3) 学习细粒度语义表示，仅通过图像级标注即可实现病灶的准确定位 ;(4) 增强了最先进的修复方法，揭示了DiRA是统一表征学习的一般机制。所有代码和预训练的模型都可以

PsyNet：使用点对称变换的对象自定位自我监督方法 “ PsyNet：使用点对称变换进行对象定位的自我监督方法”的官方Pytorch实现 此实现基于这些存储库。 预训练的检查点现在可用 请检查“测试”部分。 与...合作 李敏h （平等贡献） Hyunjung Shim （对应） 纸 该论文已被AAAI 2020接受。pdf可在获得。 注意 抽象 现有的共定位技术在准确性和推理时间上明显弱于弱或完全监督的方法。 在本文中，我们通过利用自我监督学习方法克服了共定位技术的共同缺点。 提出的方法的主要技术贡献是双重的。 1）我们设计了一种新的几何变换，即点对称变换，并将其参数用作自监督学习的

End-to-End Semi-Supervised Learning for Video Action Detection的阅读涂鸦 CVPR 2022 task：端到端的半监督视频动作检测方法

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。

PG学习 一种用于半监督学习的高效有效的学习图算法。 （MATLAB代码） 说明：运行代码和示例 在使用代码之前，您应该编译util / lib / mtimesx /文件夹中的mtimesx lib。 请参考 。 对于Mac OS用户，您可以首先使用Homebrew安装openblas库，然后运行 bias_lib = 'path to libblas.dylib' mex('-DDEFINEUNIX','-largeArrayDims','mtimesx.c',blas_lib) 安装所需的库后，您应该在根文件夹EXCUTE的main.m。 之后，您可以在根文件夹下运行所有​​的matlab文件。 在示例文件夹中，我们提供了有关单线程版本PG-Learn，超宽带并行版本PG-Learn以及一些基线的示例，其中包括网格搜索，随机搜索，MinEnt，AEW和IDML。 此外，我们还提供

蛤 整个幻灯片图像上的数据高效和弱监督计算病理学。 自然生物医学工程 | | | TL; DR： CLAM是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。 经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。 CLAM：基于深度学习的管道，可进行高效数据和无监督的全幻灯片级别分析 ••••••••预打印•演示•引用 CLAM如何工作？ 聚类约束的注意力多实例学习（CLAM）是一种基于深度学习的弱监督方法，该方法使用基于注意力的学习来自动识别具有较高诊断价值的子区域，以便准确地对整个幻灯片进行分类，同时还利用实例代表区域上的高级别聚类，以约束和完善特征空间。 :copyright: Mahmood Lab-此代码在GP

具有成对约束的聚类最近在聚类社区中引起了很多关注。 特别地，数据集中给定实例对之间的必须链接约束和不能链接约束是当今许多聚类算法中所包​​含的常识。 事实证明，这种方法可以成功地指导许多著名的聚类算法获得更准确的结果。 但是，最近的工作还表明，必须链接约束和不能链接约束的合并使聚类算法对“实例的分配顺序”过于敏感，因此导致了随后的约束冲突。 本文的主要贡献有两个方面。 一种方法是在执行“无法链接”集合的“广度优先”搜索后，通过强调无法链接实例的有序分配来解决Cop-Kmeans中违反约束的问题。 另一个是通过采用MapReduce框架来降低大数据集的Cop-Kmeans计算复杂度。 实验结果表明，我们的方法在海量数据集上表现良好，同时可以克服约束冲突的问题。