介绍了一种基于多任务可变方法的半监督序列标注模型,该模型涵盖了生成模型和判别模型,并探索了一些潜在变量配置方案,能更好地标记数据,使得在 8 个序列标注数据集中其性能优于标准的顺序基线模型,并且在无标记数据的情况下还有进一步的提升。
Jun, 2019
这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性,实现模型的半监督贝叶斯主动学习,并且通过全贝叶斯判别组件实现参数值不确定性的估计。
Jun, 2017
利用迭代方法的变分技术,基于生成模型,研发半监督学习的新算法,解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合,灵活、高效、可拓展,为半监督学习提供了有力支持。
Jun, 2014
使用矩估计和方法论的算法,学习了具有已知结构和隐藏变量的离散变量的贝叶斯网络的参数。该算法特别适用于双分区 noisy-or Bayesian networks,成功地在医学诊断中应用。
Sep, 2013
开发基于随机梯度 MCMC 算法的隐马尔可夫模型参数学习方法,通过利用内在的记忆衰减特性以应对离散状态与小批量数据带来的挑战,进而在合成实验和电离子通道记录数据上展示该算法的有效性和性能优势。
本文提出了一个基于图结构的半监督学习的生成框架,通过逼近节点特征,标签和图结构的联合分布,使用可扩展的变分推断技术来推断缺失的标签,并在基准数据集上进行了全面的实验,结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理,与目前最先进的图神经网络相比,该模型表现出极强的竞争力,在标记稀少的主动学习实验中超越了神经网络,并且模型不需要验证数据集来控制过拟合。
Sep, 2018
本文提出了三元组网络模型,通过距离比较来学习有用的表示方法,在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法,而且还探讨了其作为无监督学习框架的未来可能用途。
Dec, 2014
提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法,将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型,并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。
Jun, 2015
本研究提出了基于贝叶斯公式的 GAN 模型,通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重,在不需要特征匹配或使用小批量区分等标准干预的情况下,实现半监督和无监督的学习效果,避免了模式崩塌的问题,并在多个基准数据集上取得了最佳性能。
May, 2017