半监督学习在不确定标签情况下的渐近贝叶斯风险
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
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
提出两种基于分类的半监督异常检测方法,一种基于无偏风险估计器的半监督浅层方法和一种利用非负偏向风险估计器的半监督深层方法,通过建立估计误差和风险过度界限来证明两者的有效性,并提出选择合适的正则化参数以确保浅层模型下经验风险非负性的技术。
Sep, 2023
本研究通过大维度研究了一种简单而多功能的分类模型,同时涵盖了多任务学习、半监督学习和考虑不确定标签的要素。利用随机矩阵理论的工具,我们表征了一些关键功能的渐近特性,一方面可以预测算法的性能,另一方面揭示了一些关于有效使用该算法的反直觉指导。该模型不仅强大到提供良好的性能保证,而且简单到深入理解其行为。
Feb, 2024
本文研究了社交机器学习框架中的错误概率,包括独立训练阶段和在图上进行合作决策阶段。针对两种有限观测的分类任务,我们描述了分布式学习规则并相应地分析了错误概率。针对统计分类问题,我们采用几何社交学习规则进行性能分析。针对单样本分类任务,我们建立了一个分布式学习规则作为集成分类器,并构建了该集成分类器的错误概率上界。
Jun, 2023
研究了 Lasso 估计器在事实和半监督学习的风险界限,提出了新的适应 lasso 到有限的响应变量和有限的高维协变量的设置,并建立了期望和差异的 oracle 不等式。
Jun, 2016
研究使用局部 -$k$- 最近邻分类器的全局超额风险的渐近展开式,通过此理论发现半监督学习问题中的局部选择 $k$ 能够实现额外风险的收敛速率,同时通过模拟研究验证了该理论。
Apr, 2017
研究使用二次代理损失函数进行分类的半监督学习方法,通过对监督估计在未标记数据施加的一组约束的投影,我们发现我们可以安全地提高用于此二次损失的监督解决方案,这是第一种具有如此强大但保守保证的方法,而不依赖于分类器的原有假设。
Feb, 2016