半监督学习：semi-supervised learning 直推学习：transductive learning 主动学习：active learning

最新推荐文章于 2025-05-08 21:10:53 发布
原创 最新推荐文章于 2025-05-08 21:10:53 发布 · 854 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络

本文详细介绍了三种主要的未标记示例学习技术：主动学习、半监督学习和直推学习。主动学习强调通过选择最有价值的数据点来最大化模型的学习效率；半监督学习在少量标记数据的基础上利用大量未标记数据进行学习；直推学习则尝试在训练集外的数据上进行预测。这些方法在处理大规模无标签数据集时尤其有用。
机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法
u013250861的博客
12-23 2万+
一、半监督学习算法提出的背景 1、监督学习 监督学习：训练样本集不仅包含样本，还包含这些样本对应的标签，即样本和样本标签成对出现。监督学习的目标是从训练样本中学习一个从样本到标签的有效映射，使其能够预测未知样本的标签。监督学习是机器学习中最成熟的学习方法，代表性的算法包括神经网络、支持向量机（SVM）等。 2、无监督学习 无监督学习：只能利用训练样本的数据分布或样本间的关系将样本划分到不同的聚类簇或给出样本对应的低维结构。- 因此，无监督学习常被用于对样本进行聚类或降维，典型的算法包括尺均值聚类和主成
解释半监督学习（Semi-Supervised Learning）的概念和方法（面试题200合集，中频、实用）
最新发布
qq_38334677的博客
05-14 678
半监督学习（Semi-Supervised Learning, SSL）是机器学习领域中一个至关重要的分支，它巧妙地结合了监督学习和无监督学习的特点，旨在利用少量标记数据和大量未标记数据来进行学习。在现实世界的许多应用场景中，获取未标记数据相对容易且成本低廉，而标记数据则往往需要昂贵的人工标注，既耗时又费力。半监督学习的出现，为解决此类问题提供了一条有效途径，能够在标记数据稀缺的情况下，显著提升模型的学习性能和泛化能力。
转导推理——Transductive Learning
weixin_30362233的博客
11-14 1035
　　在统计学习中，转导推理（Transductive Inference）是一种通过观察特定的训练样本，进而预测特定的测试样本的方法。另一方面，归纳推理（Induction Inference）先从训练样本中学习得到通过的规则，再利用规则判断测试样本。然而有些转导推理的预测无法由归纳推理获得，这是因为转导推理在不同的测试集上会产生相互不一致的预测，这也是最令转导推理的学者感兴趣的地方。 ...
【论文笔记】Semi-Supervised Active Learning with Temporal Output Discrepancy(ICCV 2021)
weixin_42126945的博客
03-14 1849
论文：Semi-Supervised Active Learning with Temporal Output Discrepancy 代码：https://github.com/siyuhuang/TOD 摘要   基于损失越大的样本通常对模型的信息量越大的思想，本文提出了一种新的深度主动学习方法，筛选出具有高损失值的样本。我们方法的核心是时序输出矛盾性（Temporal Output Discrepancy, TOD），即模型在不同iteration过程中给出的预测差异。我们的理论研究表明TOD为累积样
Semi-Supervised Active Learning with Temporal Output Discrepancy 阅读笔记
weixin_44460701的博客
11-26 2855
摘要 尽管深度学习能够胜任一系列任务，它仍然高度依赖于大量的已标注数据，而获取已标注数据是昂贵且耗时的。为了降低数据标注的开销，可以通过主动学习交互式地请求oracle对未标注数据集的一小部分有信息含量的样本进行标注。受到“具有更高损失的样本通常对模型更有价值”这一事实的启发，作者在本文中提出了一种新的深度主动学习方法，当未标注样本被认为会产生高损失时，请求oracle进行标注。该方法的核心是一个评价指标Temporal Output Discrepancy (TOD) ...
Semi-supervised learning
tzyf333的专栏
03-18 4236
<br />http://www.madongfly.cn/articles/active-learning.html<br />http://demonstrate.ycool.com/post.3122672.html<br />http://blogger.org.cn/blog/more.asp?name=DMman&id=27357<br /> <br /> <br />在机器学习(Machine learning)领域，监督学习(Supervised learning)、非监督学习(Un
半监督学习和直推式学习
qrlhl的博客
09-13 6278
半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。主要分为半监督分类，半监督回归，半监督聚类和半监督降维算法。 至于直推学习，它与半监督学习一样不需要人工干预，不同的是，直推学习假设未标记的数据就是最终要用来测
主动学习（Active Learning）简介综述汇总以及主流技术方案
2401_84495725的博客
06-05 2266
主动学习是指对需要标记的数据进行优先排序的过程，这样可以确定哪些数据对训练监督模型产生最大的影响。主动学习是一种学习算法可以交互式查询用户(teacher 或 oracle)，用真实标签标注新数据点的策略。主动学习的过程也被称为优化实验设计。主动学习的动机在于认识到并非所有标有标签的样本都同等重要。主动学习是一种策略/算法，是对现有模型的增强。而不是新模型架构。主动学习背后的关键思想是，如果允许机器学习算法选择它学习的数据，这样就可以用更少的训练标签实现更高的准确性。
[毕业设计]--弱监督学习调研--主要参考A brief introduction to weakly supervised learning
AnnCY
12-16 609
[毕业设计]–弱监督学习调研–主要参考A brief introduction to weakly supervised learning ​ 在机器学习领域，学习任务可大致划分为两类，一种是监督学习，另一种是非监督学习。通常，两者都需要从包含大量训练样本的训练数据集中学习预测模型，每个训练样本对应于事件/对象。但是由于数据标注过程的成本太高，很多任务很难获得如全部真值标签这样的强监督信息。而无...
数据科学中的半监督学习：少量标注数据应用
AI天才研究院
05-08 1110
在数据科学领域，获取大量标注数据往往是一项昂贵且耗时的任务。标注数据需要专业人员的参与，并且随着数据规模的增大，标注成本会急剧上升。半监督学习正是为了解决这一问题而出现的，其目的是利用少量的标注数据和大量的未标注数据来构建高效的机器学习模型。本文的范围将涵盖半监督学习的基本概念、核心算法、数学模型、实际应用案例以及相关的工具和资源。本文将按照以下结构进行组织：首先介绍半监督学习的核心概念和联系，包括其原理和架构；接着详细讲解核心算法原理和具体操作步骤，并使用 Python 源代码进行阐述；
Transductive Learning: Motivation, Model,Algorithms
03-22
一篇很好的Transductive Learning的文献，全面介绍了Transductive Learning的要旨
Semi-supervised Learning
travischan的博客
11-30 807
简单聊一下Semi-supervised Learning(SSL)分类时, 两个可用的方法: self-training与active learning.
Unsupervised, Semi-Supervised, Supervised Learning
E.G的专栏
03-11 2112
Semi-Supervised:In computer science, semi-supervised learning is a class of machine learning techniques that make use of both labeled and unlabeled data for training - typically a small amount of la
主动学习、纯半监督学习、直推学习的联系与区别
weixin_30580341的博客
12-26 538
　　最近在学习半监督学习方面的内容，一开始便遇到了这么几个概念：主动学习(active learning)、半监督学习(semi-supervised learning)和直推学习(transductive learning)。想必刚开始大家都觉得有点迷糊，下面就让我来详细把它们之间的联系与区别讲述一下，相信读完大家一定会思路清晰，至少在概念上不会再搞错了。 　　什么是主动学习？ 　...
机器学习主要类型（三）：半监督学习
zero_ling
10-08 5596
机器学习主要类型（三）：半监督学习 Semi-Supervised Learning 让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能 未标记样本虽未直接包含标记信息，但若它们与有标记样本是从同样的数据源独立同分布采样而来，则它们所包含的关于数据分布的信息对建立模型将大有裨益 半监督学习可进一步划分为纯（pure）半监督学习和直推学习 （transductive learning），前者假定训练数据中的未标记样本并非待预测的数据，而后者则假定学习过程中所考虑的未标记样本恰是待预测数据，学习的目的
半监督学习与直推式学习
violin_lin的专栏
10-14 2841
直推式学习是半监督学习的
【阅读】Semi-supervised active learning with temporal output discrepancy
w.here的优快云
12-18 373
Huang S, Wang T, Xiong H, et al. Semi-supervised active learning with temporal output discrepancy[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 3447-3456. 总览 本文提出了一种简单而有效的损失测度TOD。本文提出了一种新的深度主动学习框架，将TOD与主动学习策略和半监督学习方案相
transductive learning(Transduction)和inductive learning
Abraham Ben
05-29 945
transduction(转导学习): 对于A集合(labeled data)和B集合(unlabeled data),通过比较B重个体特征与A中个体特征得出B的label。即训练时会用到A的X和y一级B的X。 induction(归纳学习): 不看B集合，只通过A集合得到一个general的model的模型。通常的监督学习就是这种。 在训练中包含未标记的样本不是转导的主要特征——避免建立一个通用的“模型”才是。 transduction的performance通常比induction要高，但问题在于:
Transductive Learning 和 Inductive Learning
kuxingseng123的博客
11-24 1086
慢慢的理解直推式学习和归纳式学习， 慢慢的将其搞定都行啦的理由与打算。
多类异构迁移学习：Semi-Supervised Co-Projection方法
作者Min Xiao和Yuhong Guo来自美国费城天普大学计算机与信息科学系，他们提出了一个新颖的半监督子空间共投影方法（Semi-Supervised Subspace Co-Projection for Multi-Class Heterogeneous Domain Adaptation），...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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