关联学习 - 一种适用于神经网络的多功能半监督训练方法

CVPRJun, 2017

关联学习 - 一种适用于神经网络的多功能半监督训练方法

Learning by Association - A versatile semi-supervised training method for neural networks

Philip Häusser, Alexander Mordvintsev, Daniel Cremers

TL;DR该研究提出了一种基于人类学习启发的深度神经网络半监督训练系统，利用少量标注数据和大量未标注数据，通过关联学习和优化调度实现有效的分类任务性能提升。

Abstract

In many real-world scenarios, labeled data for a specific machine learning task is costly to obtain. semi-supervised training methods make use of abundantly available unlabeled data and a smaller number of labele

semi-supervised training deep neural networks learning by association optimization schedule labeled data

发现论文，激发创造

半监督式学习中的学习

本文提出了一种基于元学习的半监督学习方法，将有标签和无标签数据的相似度转化为对应的语义相似度，并通过自监督学习的方法实现了对有标签数据的更新。实验证明该方法较之传统方法更为有效。

Aug, 2020

深度半监督学习概述

本文综述了深度半监督学习的概念及其在深度神经网络上的应用，以期实现更高的数据效率。

Jun, 2020

标签传播用于深度半监督学习

本研究利用基于流形假设的传导标签传播方法，对整个数据集进行预测，并利用这些预测值为未标记数据生成伪标签，并训练深度神经网络。经实验证明，这种方法在几种数据集中相对于当前的最新技术表现更好，特别是在有限标志数量的情况下。

Apr, 2019

半监督卷积神经网络用于人类活动识别

本文介绍两种基于卷积神经网络的半监督学习方法，用于加强原有的分类器对未标记的数据的识别，通过实验，表明我们的 CNN 在活动识别领域中的性能优于有监督学习方法和传统的半监督学习方法，Fm 得分甚至可以提高 18%。

Jan, 2018

用无监督深度学习架构学习成对联想图像

该论文提出了一种无监督多模态学习系统，通过两个输入通道学习联想表示，使用深度学习架构训练，可以生成准确度和反向网络的模型。

Dec, 2013

深度半监督学习中的伪标记和确认偏差

提出基于伪标签生成的半监督图像分类方法，利用 mixup 增广和每个 mini-batch 至少有数量的有标注样本的限制解决了伪标签带来的过度拟合问题，并在多个数据集上取得了最新的结果。

Aug, 2019

主动半监督学习的语义分割

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022

深度贝叶斯主动半监督学习

通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

Mar, 2018

半监督学习的时间集成

本文提出了一种用于在小部分标记的情况下训练深度神经网络的简单高效方法，采用自我模拟方案的集成预测来提高标签的未知性，从而使得在两个标准半监督学习基准测试中加快速度并实现更好的性能。

Oct, 2016

利用已标记和未标记数据进行学习：技术和领域的实证研究

本文对多种半监督学习技术在不同数据集上进行实证研究，探讨标记数据和未标记数据的独立性、相关性、数量和噪声对学习效果的影响，同时针对样本选择偏差实现双变量 Probit 技术进行校正。

Sep, 2011