bnm; 核范数是矩阵 奇异值 的和，在数学上有两点结论. 核范数与f范数相互限制界限， 核范数是矩阵秩的凸近似。 所以类别预测的判别性与多样性同时指向矩阵的核范数，我们可以最大化矩阵核范数（bnm）来提升预测的性能。

BNM v1: we prove in the paper that Batch Nuclear-norm Maximization (BNM) can ensure the prediction discriminability and diversity, which is an effective method under label insufficient situations. BNM v2: we further devise Batch Nuclear-norm Minimization (BNMin) and Fast BNM (FBNM) for multiple domain adaptation scenarios.

该方法 Batch Nuclear-norm Maximization（BNM），可以用于三种标签不充分的情景：unsupervised domain adaptation, semi-supervised learning, unsupervised domain recognition。 我们假设有Labeled domain 和Unlabeled domain ，那么对应上述两个domain分别定义如下loss： (7) (8) 那么最后整体的loss为： (9)

该方法 Batch Nuclear-norm Maximization（BNM），可以用于三种标签不充分的情景：unsupervised domain adaptation, semi-supervised learning, unsupervised domain recognition 。

2020年4月4日 · 中科院计算所的在读研究生崔书豪等，提出了一种新的解决方法：批量核范数最大化 （Batch Nuclear-norm Maximization，BNM）。 在典型的标签不足场景下(如半监督学习等)，BNM可以有效地提升学习效果。

2024年10月10日 · BNM（Batch Nuclear-norm Maximization）是一个用于在标签不足情况下提高预测判别性和多样性的开源项目。 该项目在CVPR 2020上被选为口头报告，并进一步在TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）上进行了扩展。 BNM通过最大化批量核范数来确保预测的判别性和多样性，适用于无监督域适应（UDA）、无监督开放域识别（UODR）和半监督学习（SSL）等场景。 2. 项目快速启动. 首先，确保你已经安 …

提出BNM方法，一行代码同时建模判别性和多样性。 1. 快速BNM. 2. BNM计算复杂度近似为O (n3)，比较费时. 2. 核范数最小化BNMin. 3. 多batch优化BNM. 4. 均衡Domainnet. 5. 半监督DA. 小结：实验还算充分，内容还行，就是拖的太久了，可惜！ 原论文BNM v1版本: https://zhuanlan.zhihu.com/p/121507249提出BNM方法，一行代码同时建模判别性和多样性。 v2版本论文： https://arxiv.org/abs/2107.06154开源代码 GitHub - cuishuhao/BNM: code of …

Accordingly, to improve both discriminability and diversity, we propose Batch Nuclear-norm Maximization (BNM) on the output matrix. BNM could boost the learning under typical label insufficient learning scenarios, such as semi-supervised learning, domain adaptation and open domain recognition.

2020年5月5日 · 在发表在CVPR 2020 上的文章《Towards Discriminability and Diversity: Batch Nuclear-norm Maximization under Label Insufficient Situations》中，我们通过理论推导和分析，发现类别预测的判别性与多样性同时指向批量响应矩阵的核范数，这样就可以最大化批量核范数来提高迁移问题中目标域的性能。 在迁移任务中，目标域由于没有标签，常常导致分界面附近混淆较多的数据。 而我们基于这一现象，分析了批量类别响应组成的批量矩阵A，并希望从判别性 …

2024年6月17日 · 【BN不是拍脑子想出来的点子，BN的来源：研究表明，图像处理中进行 白化 （对输入input数据分布变换到 0均值，单位 (1)方差的正态分布，那么神经网络就会较快收敛）操作，然后BN作者就推论：图像是网络的输入层，做白化能加快收敛，那么对于深度网络来讲，每个隐藏层都是下一层的输入，那能不能对每个隐藏层都做白化呢？ 这就是启发BN的想法。 所以BN和卷积层，池化层一样都是一个网络层。 看到这里，稍微了解神经网络的读者都会问：如果BN …