qwq_xcyyy的博客

对深度半监督学习算法的现实评价AbstractIntroductionImproved EvaluationSemi-Supervised Learning Methods半监督Π-ModelMean TeacherVirtual Adversarial Training(VAT)Entropy Minimization (EntMin)Pseudo-LabelingConclusions and RecommendationsExperimentsAbstract写作目的：为了帮助指导SSL研究更贴合

虚拟对抗性训练VAT：监督与半监督学习的正则化方法1 Abstract2 Introduction & Related Work2.1 Previous work2.2 Our work3 Methods3.1 AT3.2 VAT3.2.1 major methods3.2.2 details3.2.3 algorithm4 Reference1 Abstract提出了一种基于虚拟对抗损失的正则化方法：给定输入条件标签分布局部光滑性的新度量。虚拟对抗性损失被定义为在每个输入数据点周围的条件标

Abstract ○ 三种典型的弱监督： § 不完全监督incomplete supervision，只有少部分训练数据集有标签 § 不精确的监督inexact supervision，训练数据只有粗粒度标签 § 不准确的监督inaccurate supervision，给定的标签并不总是真实的不完全监督 ○ 主动学习——with human intervention § 目的：训练一个标记成本最小化的良好模型 § 方法：选择最有价值的未标记样本进行标记 □ 选择标准：信息

半监督学习入门——《机器学习》周志华—第十三章13.1未标注样本13.2生成式方法13.3半监督SVM13.4图半监督学习13.5基于分歧的方法13.6半监督聚类生成一个适合你的列表创建一个自定义列表注释也是必不可少的引用13.1未标注样本半监督学习描述概念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分类纯半监督学习和直推学习Q：如何利用未标记样本？A：做一些将未标记样本所揭示的数据分布信息与类别标记相联系的假设，如聚类假设和流式假设（相似的样本拥有相