BICL

深度分析

偏向轉移矩陣驅動的 BICL：提升百類以上互補標籤學習準確度

面對大量類別的標註瓶頸,研究提出Bias‑InducedConstrainedLabeling(BICL)透過限制每類的互補標籤候選集合並使用視覺語言模型進行負向提示標註,能大幅降低監督不確定性並在CIFAR‑100與TinyImageNet‑200上顯著提升分類效能。