Semi-supervised Learning

最新推荐文章于 2024-03-29 08:30:00 发布
原创 最新推荐文章于 2024-03-29 08:30:00 发布 · 805 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。

本文介绍半监督学习中的两种方法：self-training与active learning。当标注数据稀缺时，这两种方法能够有效利用未标注数据提高模型准确性。self-training通过迭代地将模型最自信的预测结果加入到标注集中来增强模型；而active learning则选择模型最不确定的数据进行人工标注。

简单聊一下Semi-supervised Learning(SSL)分类时, 两个可用的方法: self-training与active learning.
当我们有标注的样本很少时, 训练的模型会不够准确. 这时我们可以尝试利用一下无标注的样本.

Self-training

  1. 用Labeled set训练模型.
  2. 用模型预测Unlabeled set.
    将预测结果中置信度最大的一个instance从Unlabeled set移动到Labeled set. 其label当然就是预测的这个结果.
  3. Goto 1 直到所有instance都移动到Labeled set中.

Active learning

  1. 用Labeled set训练模型.
  2. 用模型预测Unlabeled set.
    从预测结果中, 选取最不确信的一个(批), 拿来人工标注. 并移动到Labeled set中.
  3. Goto 1 直到所有instance都移动到Labeled set中.

其中第2步, 如何选择一批合适的instance来标注呢? 选最不确信(决策边界附近)的instance是一个方法. 同时也有很多其他方法, 比如训练多个模型, 选多个模型分歧最大的instance; 选取能使模型变化最大(或loss下降最多)的instance等. 详细总结可见Wikipedia.

参考资料:
Wikipedia: Active learning

travischan
关注
半监督学习(Semi-Supervised Learning)
AI天才研究院
07-12 508
半监督学习(Semi-Supervised Learning) Semi-Supervised Learning. 半监督学习(Semi-Supervised Learning)是指同时从有标签数据和无标
[机器学习-李宏毅] 半监督学习笔记 (Semi-supervised Learning)
qq_27309515的博客
09-22 1307
Semi-supervised Learning   Semi-supervised Learning 是 半监督学习 的意思。他是指用于训练的数据有一部分是有标签的，一部分数据是无标签的，同时使用这两部分数据进行学习。你可能会有一些疑问，为什么要使用没有标签的数据？没有标签的数据怎么能用来训练？对于第一个问题，是因为现在的机器学习方法大多都是数据驱动的方法，数据的量很大程度上会决定我们训练出的模型的好坏，但是提升数据量又是件不容易的事情，但是需要注意的是获取大量数据其实不难，难的是获取大量有标签的数据。比
机器学习 -- Semi-supervised Learning
01-30
Semi-supervised Learning Introduction Why semi-supervised learning helps? Semi-supervised Learning for Generative Model Low-density Separation Assumption Smoothness Assumption Better Representation
Semi-Supervised Learning
12-16
Semi-Supervised Learning
Semi-supervised Learning(半监督学习)
长路漫漫亦灿灿
05-30 1768
半监督学习，
Semi-supervised learning
tzyf333的专栏
03-18 4234
<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
Unsupervised, Semi-Supervised, Supervised Learning
E.G的专栏
03-11 2109
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
excel熵值法计算权重_计算机视觉中的半监督学习
weixin_40005542的博客
11-21 385
作者：Amit Chaudhary编译：ronghuaiyang原文链接：计算机视觉中的半监督学习​mp.weixin.qq.com导读图解半监督的各种方法的关键思想。计算机视觉的半监督学习方法在过去几年得到了快速发展。目前最先进的方法是在结构和损失函数方面对之前的工作进行了简化，以及引入了通过混合不同方案的混合方法。在这篇文章中，我会通过图解的方式解释最近的半监督学习方法的关键思想。1、自训练在...
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。
半监督学习（semi-supervised learning）
n不正
04-15 5707
半监督学习（semi-supervised learning）1 introduction why semi-supervised learning? 收集数据很贵，收集有标签的数据更贵！ superviesd：D={(xi,yi)}Ni=1D = \{ (x_i,y_i)\}_{i = 1}^N semi-supervised：D={(xi,yi)}Mi=1∪{xu}Nj=M+1D
半监督学习
kyle1314608的博客
02-13 1087
半监督学习 </h1> <div class="clear"></div> <div class="postBody"> 一、半监督学习 1-1、什么是半监督学习 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，就是半监督学习（sem...
半监督学习（SEMI-Supervised Learning）
qq_42769683的博客
11-08 7642
简单易懂什么是半监督学习，为什么使用半监督学习
半监督学习：semi-supervised learning 直推学习：transductive learning 主动学习：active learning
jieming2002的博客
09-28 852
目前，利用未标记示例的主流学习技术主要有三大类：半监督学习（semi-supervised learning）、直推学习（transductive learning）和主动学习（active learning）。 https://blog.youkuaiyun.com/assiduousknight/article/details/18146451 主动学习、纯半监督学习、直推学习的联系与区别 https://www.cnblogs.com/yanmk/p/8118864.html ...
机器学习的分类——半监督学习（Semi-supervised Learning）
guojunwu1977的博客
03-29 1525
半监督学习是一种强大的机器学习方法，特别适用于标记数据稀缺但未标记数据丰富的情况。通过合理利用未标记数据，半监督学习可以显著提高模型的学习效果。然而，要充分发挥其潜力，需要仔细考虑数据的分布、模型的选择以及学习过程中的各种假设。
机器学习系列15-半监督学习
weixin_44406200的博客
06-28 2779
如果本文对你有帮助，请给我的github打个star叭 辛苦整理码字不易，免费分享给大家，也希望大家能帮忙点一点下面的图片，给我更多的更新动力叭！ 半监督学习(semi-supervised learning) 1、introduction 2、Semi-supervised Learning for Generative Model 3、Low-density Separation Assumption：非黑即白 4、Smoothness Assumption：近朱者赤，近墨者黑 5、Better R
一文看遍半监督学习模型（Semi-Supervised Learning）
热门推荐
qq_43456016的博客
09-02 1万+
一个模型对于同一个未标记图像，在图像添加额外噪声前后的预测值应该保持一致。添加噪声的方法，如图像增强（空间维度增强、像素维度增强）。同样，Dropout可在模型结构中引入噪声。
2020李宏毅学习笔记—— 10. Semi-supervised Learning（半监督学习）
weixin_44790306的博客
06-26 1669
文章目录摘要1. IntroductionWhy Semi-supervised Learning？why Semi-supervised Learning helps ？2. Semi-supervised Learning for Generative Model 摘要 1. Introduction 分类（classification）这种机器学习算法就是一种监督学习。对于分类，输入的训练数据有特征（feature），有标签（label）。也就是我们之前的输入x和输出y。每一个x样本都对应着一个y（
李宏毅机器学习之Semi-supervised Learning
Trony的博客
06-26 822
一、监督学习与半监督学习 在supervised里面，你就是有一大推的training data，这些training data的组成是一个function的input跟output，假设你有R笔train data，每一笔train data有。假设是一张image，是class label。semi-supervised learning是在label上面，是有另外一组unlabel的data，这组data记做,这组data只有input，没有output(U笔data)。在做semi-superis
李宏毅深度学习--《Semi-supervised Learning》
GuoShao_的博客
09-02 912
学习笔记
Using Semi-Supervised Learning for Predicting Metamorphic Relations
最新发布
09-22
from sklearn.semi_supervised import LabelPropagation import numpy as np # 有标签数据 X_labeled = np.array([[1, 2], [2, 3], [3, 4]]) y_labeled = np.array([0, 1, 0]) # 无标签数据 X_unlabeled = np....
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