A survey on semi-supervised learning
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
- 摘要
- 结论
- Introduction
- Background
- Related areas
期刊:Machine Learning(wos2区,中科院3区)(2020)
摘要
- 对进二十年的半监督方法进行概述(主要是半监督分类)。
- 提出了一种新的半监督分类算法。
- 大多数半监督学习算法的基本假设是如何相互紧密联系的,以及它们与众所周知的半监督聚类假设之间的关系。
结论
- 第4节:包装方法。
第6节:传统监督算法的半监督扩展。
第6.3节和 第7节 :基于图的方法。
第5.3:半监督神经网络。
第6.2:半监督正则化。
第6.4:深度生成模型。 - 展望:聚类和分类之间的强烈区别会逐渐消失。
Introduction
- 4–6:包装
- 7:转导方法
- 8:半监督回归和聚类
- 9:展望
Background
半监督学习的假设:
- 平滑假设(样本x1和x2离得越近,标签也离得越近)(输入空间)
- 低密度假设(相同高密度)
- 流形假设(同一低维)
- 聚类假设
数据集:
- .cifar_10
- cifar_100
- SVHN
…
范式;
一. 归纳法 (为整个输入空间构造分类器)
1.包装方法(可以理解先生成伪标签和有标签的数据不断迭代,一起训练)
优势:可以与任何有监督的基础学习器一起使用。
1)自训练
2)联合训练
a.多视图协同
b.单试图协同
c.协同正则化
3)Boosting
a.SSMBoost
b.ASSEMBLE
b.SemiBoost(损失函数与a很大不一样)
d.Other semi-supervised boosting methods
2.无监督预处理
本质上的半监督方法(监督方法扩展)
- 特征提取
主成分分析
自动编码器
1)去噪自动编码器
2)收缩式自动编码器 - 无监督聚类
- 预训练
1)深度信念网络
2)堆叠自动编码器 - 学习过程参数的初始化
3.本质上的半监督方法
1)Maximum-margin methods
1.1.Support vector machines
1.2.Gaussian processes
1.3.Density regularization
2)Perturbation-based methods(基于扰动的方法)
2.1.神经网络
2.2.半监督神经网络
2.3.梯形网络
2.4.Pseudo-ensembles
2.5.Π-model
2.6.Temporal ensembling
2.7.Mean teacher
2.8.Virtual adversarial training
2.9.Semi-supervised mixup
3)Manifolds
3.1.Manifold regularization
3.2.Manifold approximation
4)Generative models
4.1. Mixture models
4.2. Generative adversarial networks
4.3. Variational autoencoders
二. 直推法
- 基于图的方法的通用框架
- Inference in graphs
Hard label assignments: graph min-cut
Probabilistic label assignments: Markov random fields
Efficient probabilistic label assignments: Gaussian random fields
处理标签噪声和不规则图:局部和全局一致性
Further research on graph-based inference - 图构建
Adjacency matrix construction
Graph weighting
Simultaneous graph construction and weighting - Scalable transductive learning
- 从直推到归纳
- Classification in network data
Related areas
- 半监督回归
- 半监督聚类
A survey on semi-supervised learning相关推荐
- 图构造总结-Graph‑based semi‑supervised learning via improving the quality of the graph dynamically
前言 本博文主要对论文中提到的图构造方法进行梳理,论文自己提出的模型并未介绍,感兴趣的可以阅读原文 摘要 基于图的半监督学习GSSL主要包含两个过程:图的构建和标签推测.传统的GSSL中这两个过程是完 ...
- 深度强化学习综述论文 A Brief Survey of Deep Reinforcement Learning
A Brief Survey of Deep Reinforcement Learning 深度强化学习的简要概述 作者: Kai Arulkumaran, Marc Peter Deisenroth ...
- A brief introduction to weakly supervised learning(简要介绍弱监督学习)
文章转载自http://www.cnblogs.com/ariel-dreamland/p/8566348.html A brief introduction to weakly supervised ...
- ML之SL:监督学习(Supervised Learning)的简介、应用、经典案例之详细攻略
ML之SL:监督学习(Supervised Learning)的简介.应用.经典案例之详细攻略 目录 监督学习(Supervised Learning)的简介 1.监督学习问题的两大类-分类问题和回归 ...
- 001 A Comprehensive Survey of Privacy-preserving Federated Learning(便于寻找:FedAvg、垂直联邦学习的基本步骤)
这是我看的第一篇关于联邦学习的论文,综述文章,让我对联邦学习有了初步的了解. A Comprehensive Survey of Privacy-preserving Federated Learni ...
- A Survey on Deep Transfer Learning 2018 翻译
A Survey on Deep Transfer Learning 2018 翻译 ((o)/~虽然这篇文章是2018年的,不是很新,但是写的通俗易懂,很适合刚接触迁移学习的同学,所以就翻译了) i ...
- 【论文导读】- Link Weight Prediction Using Supervised Learning Methods(使用监督学习方法的链路权重预测及其在Yelp网络中的应用)
文章目录 论文信息 摘要 主要内容(contributions) 图模型和评价指标 特征指标 原图特征指标 原始图转线图 线图特征指标 论文信息 Link Weight Prediction Usin ...
- 监督学习(supervised learning)与非监督学习(unsupervised learning)
一,监督学习(supervised learning): 监督学习(supervised learning)的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测. 即:利用 ...
- Self -Supervised Learning
Self -Supervised Learning 个人学习笔记: BART使用了MASS中的所有方法(五种),结果表现更好 实验:将DNA表示中的A.T.C和G随机赋英文单词,将每个类别组成一个文本 ...
- INF442 Amphi 6: Supervised learning and k-NN predictors | Genericity
INF442 Amphi 6: Supervised learning and k-NN predictors | Genericity 1. Supervised Learning 1.1 不同的损 ...
最新文章
- 一文详解激光点云的地面分割
- Spring Cloud构建微服务架构:分布式服务跟踪(整合logstash)【Dalston版】
- Linux新手入门:通过chmod改变文件权限--转
- tomcat(supplement)HttpConnector.initialize() 和 start() 方法 以及 StandardContext.start()方法的分析
- 《大话设计模式》Python 版代码实现
- 手语识别 机器学习_聆听无声的话语:手把手教你用ModelArts实现手语识别
- PCA与SVD的数学原理
- 关于Gateway的几个问题
- [转]MySQL实现over partition by(分组后对组内数据排序)
- mschart控件 用法
- 频谱、幅度谱、功率谱和能量谱
- win7安装sqlserver2014
- package.json文件^和~区别
- 饿了么分布式服务治理及优化经验
- 【阿里云】处理Centos7里面的阿里云盾
- 同城小程序需要的服务器配置,微同城小程序-设置教程-一站云
- 某学校同学聚会三句半
- 获取用户输入到input的内容并传给后台拿数据
- “创意城市美食之都”厨艺表演在澳门揭幕
- SharedPreferencesUtil工具类