proxy label & pseudo label（代理标签 & 伪标签）

最新推荐文章于 2024-06-08 14:08:49 发布
最新推荐文章于 2024-06-08 14:08:49 发布
阅读量579 收藏 1
点赞数
分类专栏： 机器学习 论文学习笔记 文章标签： pytorch 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Env1sage/article/details/129336058
版权
proxylabel和pseudolabel都是半监督学习策略，用于给无标签数据分配假定的标签。这两种方法在训练模型时，会结合已有的标记数据，将预测的标签用于进一步的模型训练和优化。作者认为两者本质上相似，都是数据标注的手段。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

proxy label ：代理标签。在半监督学习算法中，能在未标记数据上生成代理标签（proxy-label），并将其与已经标记好的数据共同使用。
pseudo label ：伪标签。
在这里插入图片描述
本人观点：好像这俩没啥区别，都是在有标签数据集训练后对无标签数据进行的标签设定，然后后续会被再次用于模型训练。

欢迎大家讨论和斧正。

[机器学习] 第十三章 半监督学习 2. Proxy-label Methods
心宝的博客
07-26 1016
目录 一、基本假设（Base Assumptions） 1.1 平滑假设（The Smoothness Assumption） 1.2 集群假设（The Cluster Assumption） 1.3 流形假设（The Manifold Assumption） 二、一致正则化 2.1 Pi-Model (ICLR2017) 2.2 Temporal Ensembling (ICLR2017) 2.3 Mean teachers (NIPS 2017) 2.4 Unsupervised Da
Docker学习总结（22）——Docke run命令详解
科技D人生
07-06 5847
在Docker中，run应该是用户使用最多的命令了，很多读者反馈不是很明白run命令的用法，而且相关的书籍、中文资料中对run命令的描述也不是非常完整，所以DockerOne组织翻译了Docker官方的文档，以飨读者。注意，本文基于最新的Docker 1.4文档翻译。 Docker会在隔离的容器中运行进程。当运行docker run命令时，Docker会启动一个进程，并为这个进程分配其独占的
代理标签的半监督学习算法｜Proxy-label Approaches for Semi-supervised Learning
qq_41103204的博客
10-11 621
Tri-training with disagreement 在原算法基础上做了个小调整（算法2Co-training中的第8行），要求对于模型。应该拒绝预测，也就是disagreement。置信度较高的样本，第三个模型。
Adaptive Semantic Segmentation with a Strategic Curriculum of Proxy Labels
qq_41206605的博客
03-21 505
Adaptive Semantic Segmentation with a Strategic Curriculum of Proxy Labels（具有代理标签战略课程的自适应语义分割） Abstract Training deep networks for semantic segmentation requires annotation of large amounts of data, w...
伪标签Pseudo Label
年少的勇气已经用完，剩下的就是三思而后行
10-21 5843
伪标签（）是半监督学习中的一个概念，能够帮助模型更好的从无标注的信息中进行学习。与完全的无监督学习相比，半监督学习拥有部分的标注数据和大量的未标注数据，这种形式也更加适合现实场景和竞赛场景。在现实，标注数据少，未标注数据多；在竞赛，训练集有标注，测试集未标注；那么如何完全将未标注的数据利用起来呢？在半监督学习中伪标签是其中的方法，具体思路如下：首先利用现有的标注数据，训练得到一个模型；利用训练得到的模型对无标注数据进行预测；然后将无标注数据的预测标签和数据加入训练集一起训练；
Proxy
杜甫之心
05-17 376
1、ProxyClassFactory Proxy的内部类，功能为创建代理类 1.1、apply(ClassLoader loader, Class<?>[] interfaces) 创建代理类的实际过程 使用IdetityHashMap存储并检测接口的Class是否重复 检测传经来的接口的Class是否与Class.forName()通过指定的类加载器加载的一致。 检测C...
半监督学习（主要伪标签方法）
Harry_Jack的博客
08-08 9406
目前许多研究的假设都是利用聚类假设而进行训练的，这些方法都基于一个概念，即如果给一个无标签样本增加扰动，那么扰动数据的预测和原数据的预测不会有明显的改变，在聚类假设下，具有不同真实标签的数据点应当在低密度区域分隔开，因此，某样本在扰动后的预测结果发生类别变化的可能性也该很小。因此，与其最小化在输入空间的零维数据点上的分类成本，正则化的模型使每个数据点周围的流形上的成本最小化，使决策边界远离未标记的数据点，并平滑数据所在的流形[193]。最后一步是，混合这两个batch的中的样本，形成一个新的batch。
ecw2c理解元数据：使用BigQuery k-means将4,000个堆栈溢出标签聚类
热门推荐
cunehu1722的博客
07-24 6万+
您如何将超过4,000个活动的Stack Overflow标签分组为有意义的组？ 对于无监督学习和k均值聚类来说，这是一项完美的任务-现在您可以在BigQuery中完成所有这些工作。 让我们找出方法。 Visualizing a universe of clustered tags. Felipe Hoffais a Developer Advocate fo...
AI Agentic Design Patterns with AutoGen（下）：工具使用、代码编写、多代理群聊
最新发布
qq_56591814的博客
06-08 2451
接下来我们定义一个财务分析任务，要求创建一张显示 NVDA 和 TSLA 股票年初至今涨幅的图表，确保代码在 markdown 代码块中，并将图像保存为。. "\Here's the complete Python script: # 接下来是代理给出的代码内容plt.show()import os两个预定义的函数已经编写好了，下面在executor的创建方法中加入functions参数，来告诉代理可以使用这两个函数作为工具调用。
点击当前的p标签,弹出相对应的元素下标 (点击第一个p元素,弹出0,点击第二个p元素,弹出1........)
weixin_45747700的博客
10-26 773
1.点击当前的p标签,弹出相对应的元素下标 (点击第一个p元素,弹出0,点击第二个p元素,弹出1…) 代码： <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Title</title> <script S...
半监督学习笔记（四）：熵最小化、代理变量
IRONFISHER的博客
11-25 7012
半监督学习笔记（四） 昨天的更新中，我们学习了几种基于对抗方法的一致性正则化的策略，接下来让我们做一个简单的复习： 1、 Fast-SWA：采用了退火算法的思想，逼近多个最小值点后求平均。 2、 Virtual Adversarial Training：通过找到网络的薄弱点，选择性的挑取噪声进行训练。 3、 Adversarial Dropout：采用对抗性的方法找到最弱的随机丢弃层，其中运用了元素级丢弃和通道级丢弃的方法。 4、 Interpolation Consitency training：插值一致
半监督学习简单综述（标签化过程）
围城
01-19 2374
20210117 - 0. 引言 （本篇文章算是自己阅读《An overview of proxy-label approaches for semi-supervised learning》过程中的记录，将其中的观点记录下来；其中的内容，可能并非原文中的内容，而是自己的思考；读者如果有兴趣，最好是阅读原文，更好体会作者的意思） 无监督的相对于有监督的方法来说，准确率不尽人意，甚至于在某些场景下，可能会非常低。所以，标签的存在，导致这两种方法可能差别特别大。而实际上，很多问题的却都是无监督的，因为数据采集起
深度半监督学习
metrao的博客
03-09 2881
半监督学习介绍 Zhu X, Goldberg A B. Introduction to semi-supervised learning[J]. Synthesis lectures on artificial intelligence and machine learning, 2009, 3(1): 1-130. 链接半监督 无监督学习：主要目的是从独立同分布采样中得到的n个独立样本中找到intresting的结构 监督学习：从给定的一组训练集（x，y）中学习从x到y的映射,训练集也属于独立同分布，学
长文总结半监督学习（Semi-Supervised Learning）
Paper weekly
09-16 6486
©PaperWeekly 原创 ·作者｜燕皖单位｜渊亭科技研究方向｜计算机视觉、CNN在现实生活中，无标签的数据易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况...
半监督学习(Semi-Supervised Learning, SSL)-简述及论文整理
不定期更新 Web 开发及机器学习相关博客
12-29 8864
SSL
Pseudo-Label:深度学习中一种简单有效的半监督方法
u012420553的博客
09-18 1万+
Pseudo-Label:深度学习中一种简单有效的半监督方法1 摘要2 介绍 1 摘要 提出了一种简单有效的深度神经网络半监督学习方法。基本上，该网络采用带标签和无标签数据同时训练的监督方式。对于未标记的数据，伪标记，只是选取具有最大预测概率的类，就像它们是真实的标签一样使用。这实际上相当于熵正则化。它倾向于类与类之间的低密度间隔，这是半监督学习通常假定的前提。在MNIST手写体十位数数据集上，采...
[机器学习] 半监督学习---伪标签Pseudo-Label
摩登都市天空---专栏
09-07 1万+
大数据时代中，在推荐、广告领域样本的获取从来都不是问题，似乎适用于小样本学习的伪标签技术渐渐淡出了人们的视野，但实际上在样本及其珍贵的金融、医疗图像、安全等领域，伪标签学习是一把锋利的匕首，简单而有效。 什么是伪标签技术 先说第一个问题，假设我们现在有一个文本分类模型（先不用管分类模型是怎么来的以及怎么训练的），以及大量的无标注数据。 我们现在使用文本分类模型对无标注数据进行预测，挑选softmax之后概率最大的那个类别为当前无标注数据对应的标签。 因为是无标注数据而且我们模型准确不可能是百分之
半监督学习笔记（一）：综述，定义，方法
IRONFISHER的博客
09-16 8478
这几天学习了一篇论文，名称就是An Overview of Deep Semi-Supervised Learning。是一篇关于半监督学习的综述，当然自己的理解也十分的肤浅，这篇文章是自己的学习笔记，发出来是希望各位大神对我的理解多指点指点！当然能给各位学习的同学们参考到就更好了！ 本篇文章仅供参考，如有错误还请多多指正！ 原文链接：https://arxiv.org/abs/2006.05278v2https://arxiv.org/abs/2006.05278v2 1.半监督学...
小样本学习下的Transformer：基于谱聚类层和标签代理学习
Paper weekly
06-06 3085
©作者 | 知乎用户Alicia研究方向 | 小样本学习论文标题：Attribute Surrogates Learning and Spectral Tokens Pooling in Transformers for few-shot learning论文链接：https://arxiv.org/pdf/2203.09064.pdf代码链接：https://githu...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Env1sage

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值