【半监督论文综述】A survey on semi-supervised learning

原创 已于 2022-06-24 15:49:05 修改 · 4.1k 阅读 · 26 ·
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：

#半监督 #论文阅读 #综述

于 2022-06-16 12:48:36 首次发布

下载

半监督学习

1. 半监督学习

D L = ( ( x i , y i ) ) i = 1 l ， x i ∈ X D_{L}=\left(\left(x_{i}, y_{i}\right)\right)_{i=1}^{l}， x_i \in \mathcal{X} DL​=((xi​,yi​))i=1l​，xi​∈X 表示带标签的数据, 其中 x i x_i xi​来自输入空间 X \mathcal{X} X。
D U = ( x i ) i = l + 1 l + u D_{U}=\left(x_{i}\right)_{i=l+1}^{l+u} D

最低0.47元/天 解锁文章
半监督学习综述(a survey of semi-supervised learning)
11-28
一篇数据挖掘课的作业论文。 关于半监督学习方面的综述性文章。 所参考文献在2009年以前。 目前这方面的中文文献相对较少，希望我的这篇作业能对有兴趣做这方面研究的朋友有所帮助，其中错误之处还请大家多多指出。
读《A survey on semi-supervised learning》（一）
Ritannn的博客
10-07 1043
摘要 半监督学习是机器学习的一个分支，涉及使用有标记和无标记的数据来执行某些学习任务。它在概念上介于监督学习和非监督学习之间，允许在许多用例中利用大量未标记的数据，并通常结合较小的标记数据集。近年来，该领域的研究遵循了机器学习的一般趋势，重点关注基于神经网络的模型和生成学习。关于这一主题的文献在数量和范围上也有所扩大，现在包括了广泛的理论、算法和应用。然而，最近没有收集和组织这些知识的调查，阻碍了研究人员和工程师利用这些知识的能力。为了填补这一空白，我们提出了半监督学习方法的最新概述，包括早期工作以及最新
《深度半监督学习》综述论文
06-12
当对大量的标记数据集合(如ImageNet)进行训练时，深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。
电子科大最新《深度半监督学习》综述论文（2021版）
03-06
深度半监督学习是一个快速发展的领域，具有一系列的实际应用。本文从模型设计和无监督损失函数的角度对深度半监督学习方法的基本原理和最新进展进行了全面的综述。
(待完善)半监督学习(Semi-supervised learning)综述
rosefun96的博客
12-12 6240
半监督学习(Semi-supervised learning)综述 1. 关于半监督学习 半监督学习是机器学习的分支，主要利用有标签样本以及无标签样本用于用于特定学习的任务。如下图，半监督学习有利于获得更准确的分类边界。 在这里插入图片描述 1.2 半监督学习的假设 （1）平滑假设 如何输入的两个点在输入空间是接近的，那个它们的标签是一致的。 （2）低密度假设 （3）流型假设 2. 半监督学习的方法 2.1 Inductive 方法 Inductive方法构造一个分类器，并用于对每个样本进行预测。无标签样
读《A survey on semi-supervised learning》（二）
Ritannn的博客
10-08 778
4 包装方法 包装方法是半监督学习中最古老和最广为人知的算法之一（Zhu，2008）。他们利用一个或多个有监督的基础学习器，用原始标记数据和先前未标记的数据迭代训练这些数据，这些数据是用来自学习器早期迭代的预测增强的。后者通常被称为伪标签数据。该程序通常包括训练和伪标记两个交替的步骤。在训练步骤中，一个或多个有监督的分类器在标记的数据上训练，也可能是以前迭代的伪标记数据。在伪标签步骤中，生成的分类器用于为先前未标记的对象推断标签；学习器对其预测最有信心的数据点进行伪标记，以便在下一次迭代中使用。 包装方
读《A survey on semi-supervised learning》（三）
Ritannn的博客
10-09 586
5 无监督预处理 现在我们转向第二类归纳方法，称为无监督预处理，它不同于包装方法和本质上的半监督方法，将未标记数据和标记数据分为两个独立的阶段使用。通常，无监督阶段包括从未标记数据中自动提取或转换样本特征（特征提取），对数据进行无监督聚类（聚类即标记），或初始化学习过程的参数（预训练）。 5.1 特征提取 自早期机器学习以来，特征提取在分类器的构建中起着重要的作用。特征提取方法试图找到输入数据转换，以提高分类器的性能或使其构造在计算上变得更加高效。特征提取是一个广泛的研究主题，已经被几本书和调查涵盖。
A Survey on Self-Supervised Learning: Algorithms,Applications, and Future Trends
最新发布
qq_51659249的博客
04-21 771
如上所述，已经设计了众多用于自监督学习（SSL）的预训练任务，其中一些重要的里程碑变体如图8所示。除了上述提到的SSL预训练任务外，还有一些其他可用的预训练任务，涵盖了多种不同的方法，例如相对patch位置、噪声预测、特征聚类、跨通道预测以及结合不同线索等。Kolesnikov等人对之前提出的SSL预训练任务进行了全面的研究，得出了重要的见解。此外，Krähenbühl等人提出了预训练任务的一种替代方法，并展示了从电子游戏中获取数据的便利性。人们观察到，基于上下文的方法由于性能较差，其适用性受到限制。
半监督论文学习
Vae_fans的博客
02-19 1026
半监督论文学习
半监督学习综述
热门推荐
哆啦A瑶的博客
09-06 1万+
Chapter 7 Semi-supervised Learning 翻译不易，未经允许请勿转载！ Author: Mohamed Farouk Abdel Hady and Friedhelm Schwenker Translator: Howard Wonanut 摘要 传统的监督学习方法需要使用有标签数据建立模型。然而，在现实世界中给训练数据打标签可能需要昂贵的...
半监督学习近几年相关论文解读（分类）
qq_40950565的博客
03-01 8059
分类任务部分半监督 一.Mixmatch 1.对有标数据进行增强 2.给无标数据一个人工标签。通过对一个无标数据增强K次并输入模型得到预测结果，对K次结果进行平均并锐化（Sharpen），得到人工标签。值得注意的是，这里的标签并不是one-hot的，而是一个概率分布。 3.将增强后有标数据和K个打上人工标签的无标数据都当做是有标数据，正常进行Mixup操作。 综上，MixMatch是综合一致性正则 和 熵最小正则（smoothness/cluster assumption）的应用。 一致性正则
A Survey on Semisupervised Learning
AI天才研究院
09-11 2946
作者：禅与计算机程序设计艺术 1.简介 半监督学习（Semi-supervised Learning）是一种基于标注数据的机器学习方法。其目的是为了减轻标注数据不足、解决样本不均衡等问题，通过对部分样本进行训练或学习得到一个模型，然后在已知标签信息的情况下，利用剩余部分的数据进行预测。因此，其算法流程可
A survey on semi-supervised learning
yaotongsheng7600的博客
11-08 481
弱监督的概述 ，算法的分类和对比
半监督学习论文整理
tangchengguang的专栏
07-06 1069
Mark
半监督学习综述 A survey on semi-supervised learning
追随梦想，实现梦想
04-24 1116
A survey on semi-supervised learning Abstract Introduction Background Taxonomy of semi-supervised learning methods Wrapper methods Unsupervised preprocessing Intrinsically semi-supe...
半监督学习简单综述（标签化过程）
围城
01-19 2426
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
半监督学习笔记（一）：综述，定义，方法
IRONFISHER的博客
09-16 8745
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...
评论 1
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

打赏作者

来日可期1314

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