提出了一种通用的半监督参数估计方法,通过对 “对比度” 和 “悲观主义” 等概念的引入,实现了半监督分类器的改进,并在 LDA 的案例研究中证明了该方法的有效性。
Mar, 2015
本文介绍了一种半监督学习的方法, 采用生成模型与监督学习算法,放松了对未标记特征的约束,可提高分类器的可靠性,从而准确量化标签不确定度。
Nov, 2018
本文提出了一种基于不确定性感知的新型无监督目标函数,结合最近 SSL 技术,在保证计算效率的同时,在基准数据集中表现优于或与现有最先进技术水平相当,尤其在复杂数据集如 CIFAR-100 和 Mini-ImageNet 上表现最好。
Jul, 2022
本文研究在有限或无注释但有大量未标记数据的情况下进行图像分类的问题,并提出了一种新方法 ——Ensemble Projection (EP)。该方法通过从所有可用数据中采样一组富有代表性的视觉原型,然后使用这些原型来训练判别分类器,最终产生新的特征向量。该方法在半监督图像分类、无限制自学习图像分类和图像聚类方面均取得了很好的效果。
Feb, 2016
提出了一种新的弱监督学习设置,称为 SU 分类,只需要相似数据对和未标记数据点,可以从 SU 数据中获得分类风险的无偏估计量,并证明其经验风险最小化器的估计误差达到最优参数收敛速率。通过实验证明了该方法的有效性。
Feb, 2018
通过假设在分组不可知的特征空间中分组投影的类条件不变性,我们提出了一种在半监督学习中利用数据内在分组结构来优化分类器的方法,从而可以提高 ROC 曲线下面积。
Dec, 2022
探讨当部分数据无标签时的半监督分类问题,提出基于密度水平集估计的方法,利用聚类假设和与边际分布有关的回归函数的行为,实现在未标注和已标注示例数量上的收敛速率快。
Apr, 2006
本文在贝叶斯框架下研究高维高斯混合模型的半监督学习,通过分析使用标记与未标记数据的最佳半监督方法和只使用标记数据的最佳全监督方法的差距,量化了未标记数据信息对性能的最佳提升。
Jul, 2019
本文介绍了一种针对大数据量下半监督学习中图拉普拉斯方法性能下降问题的解决方案,通过正确设置拉普拉斯正则化的权重使得估计器在大样本情况下保持良好状态,并证明了其收敛性,最终实现连续达到标记值的问题平滑解,且方法实现快捷简便。
Oct, 2018
该论文提出了一种简单的半监督回归算法,使用来自带标签和未标签示例的积分算子的前几个特征向量作为基函数,并通过简单的线性回归来学习预测函数,通过实证研究验证了该算法的有效性,同时证明了在适当的积分算子假设下能够实现优于监督学习现有边界的改进回归误差界。
Jun, 2012