半监督学习

Introduction

Why semi-supervised learning helps?

outline

---

 

Semi-supervised Learning for Generative Model

步骤：

原因：

Low-density Separation

核心思想：非黑即白。典型的算法如下：

Self-training

Entropy-based Regularization

Smoothness Assumption

核心思想：近朱者赤，近墨者黑。典型的算法如下：

例子：Classify astronomy vs. travel articles

更多的数据连在一起，很难分类，那么如何做呢？

Cluster and then Labe

这种方法不一定made sense ，需要class很强（需要先做处理，后边会写到）。 还有另一种方法：

Graph-based Approach

Graph Construction：

怎样在Graph 中定量地表示平滑度

将该式子整理一下，换个形式

让smoothness 影响Loss

注：smoothness不一定要放在output上，放到任何一层都可以。

Better Representation

核心思想：去蕪存菁，化繁為簡 （Looking for Better Representation）

参考：

https://blog.youkuaiyun.com/soulmeetliang/article/details/73251790

http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/semi%20(v3).pdf

 

转载于:https://www.cnblogs.com/Terrypython/p/9454346.html