报名 | “阳奉阴违”的半监督学习算法 - Virtual Adversarial Training
「论文共读」是由 PaperWeekly 发起的协同阅读小组。我们每周精选一篇优质好文,由学术大咖带大家解读论文并展开讨论,在碎片化时代坚持深度阅读。
本期论文共读由 PaperWeekly 社区用户 @WarBean 主持,他将带大家通过两篇论文聚焦半监督学习算法。
论文介绍
Virtual Adversarial Training: a Regularization Method for Supervised and Semi-supervised Learning
@WarBean 推荐
#Semi-supervised Learning
利用对抗的思想,要求模型对一个样本在施加对抗性噪声前后给出尽可能相同的预测值,从而对模型施加 smooth regularization,以此利用无标注样本进行半监督学习。论文仅用 100 个标注 MNIST 样本取得 1.36% 的测试误差,仅用 4000 个标注 CIFAR 样本取得 13.15% 的测试误差。
论文链接
http://www.paperweekly.site/papers/938
Adversarial Dropout for Supervised and Semi-supervised Learning
@WarBean 推荐
#Semi-supervised Learning
Virtual Adverarial Training(上篇论文)的变种,原来在 input data 上加对抗干扰,本文在网络中间层进行对抗性 dropout,取得了与 VAT 接近的半监督训练效果,配合原始 VAT 一起在 CIFAR 和 SVHN 上取得 state-of-the-art 的半监督学习性能。
论文链接
http://www.paperweekly.site/papers/939
嘉宾介绍
郑华滨,中山大学硕士生,研究方向为GAN,文本生成和OCR。
论文共读
“阳奉阴违”的半监督学习算法
Virtual Adversarial Training
论文解读√在线讨论√
活动形式:语音直播
活动时间
10 月 25 日(周三)20:30-21:30
30 min 串讲 + 30 min 讨论
*请在活动开始前完成论文精读
长按识别二维码,马上报名
*报名成功后,关注系统弹出的公众号获取活动提醒
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 进行报名
报名 | “阳奉阴违”的半监督学习算法 - Virtual Adversarial Training相关推荐
- 论文共读 | “阳奉阴违”的半监督学习算法 - Virtual Adversarial Training
「论文共读」是由 PaperWeekly 发起的协同阅读小组.我们每周精选一篇优质好文,由学术大咖带大家解读论文并展开讨论,在碎片化时代坚持深度阅读. 本期论文共读由 PaperWeekly 社区用户 ...
- [半监督学习] Virtual Adversarial Training: A Regularization Method for Supervised and SSL
提出一种基于虚拟对抗损失的新正则化方法, 虚拟对抗性损失被定义为每个输入数据点周围的条件标签分布对局部扰动的鲁棒性. 与对抗训练不同, VAT 方法在没有标签信息的情况下定义了对抗方向, 因此适用于半 ...
- 更少的标签,更好的学习,谷歌半监督学习算法FixMatch
点击我爱计算机视觉标星,更快获取CVML新技术 本文向大家推荐谷歌前段时间发布的论文 FixMatch: Simplifying Semi-Supervised Learning with Consi ...
- 厉害了!谷歌新发布的半监督学习算法降低4倍错误率
点击我爱计算机视觉标星,更快获取CVML新技术 昨天跟大家分享了Facebook AI 提出10亿级数据规模的半监督图像分类模型,ImageNet测试精度高达81.2%!,引起了不少朋友的兴趣.虽说做 ...
- NIPS'22 | USB: 统一、任务多样化、对学术界更友好的半监督学习算法库
每天给你送来NLP技术干货! 来自:王晋东不在家 当使用监督学习(Supervised Learning)对大量高质量的标记数据(Labeled Data)进行训练时,神经网络模型会产生有竞争力的结果 ...
- 该如何对「半监督学习算法」实际性应用进行评估?Google给出了新答案
原文来源:arXiv 作者:Avital Oliver.Augustus Odena.Colin Raffel.Ekin D. Cubuk.Ian J. Goodfellow 「雷克世界」编译:KAB ...
- 一种基于伪标签半监督学习的小样本调制识别算法
一种基于伪标签半监督学习的小样本调制识别算法 人工智能技术与咨询 来源:<西北工业大学学报>,作者史蕴豪等 摘 要:针对有标签样本较少条件下的通信信号调制识别问题,提出了一种基于伪标签半监 ...
- 【机器学习】机器学习算法模式:区别监督学习、无监督学习、半监督学习、强化学习
机器学习的三大要素:数据.算法模型.计算. 机器学习最大的用处是通过对历史数据的分析,找出其中的潜在规律,从而对未来进行预测. 数据:目前是大数据时代,各行各业基本上都不缺数据,缺乏的只是从数据当中提 ...
- 半监督学习深度学习算法
该文章主体摘自知乎糯米稻谷的文章,对一些细节添加了自己的理解 文章链接https 半监督学习 啥是半监督学习(Semi-supervised Learning) 1.简单自训练(simple self ...
最新文章
- Oracle系统表查询
- 这7个实用工具类网站,你用过几个?
- 科研文献|圈养和类人猿微生物组的共同多样化
- 使用abapGit在ABAP On-Premises系统和SAP云平台ABAP环境之间进行代码传输
- c语言程序设计点亮第一个LED,实验2__C语言程序设计及_LED跑马灯实验.ppt
- element 表格数据过多时 进行鼠标移上去展示全部
- linux怎么修改内存缓存,Linux内存、缓存、Swap等修改
- 【渝粤教育】广东开放大学 计算机硬件组装与维护 形成性考核 (38)
- 凸包问题(包含蛮力算法和快速凸包算法)+最优二叉查找树详解
- 呼叫中心投诉处理流程图_旅行社客服部呼叫中心质检部工作流程图
- Arm linux开发板移植OpenSSH
- IndexError: index 0 is out of bounds for axis 0 with size 0
- 现代企业管理的12法宝(zt)
- 入门OSPF就这一篇足够了
- 无人车系统(一):运动学模型及其线性化
- Win11安装cad缺少net组件怎么办?
- 脂肪烃树脂行业调研报告 - 市场现状分析与发展前景预测
- 华为防火墙查看日志命令_华为路由器防火墙配置命令总结(上)
- css溢出影藏然后显示三个小点
- 手把手教你学51单片机-点亮你的LED
热门文章
- Python——你应该知道这些
- selenium学习笔记(一)
- leetcode 之Median of Two Sorted Arrays(五)
- 浏览器的垃圾回收机制
- 你应该知道的Virtual Studio
- js循环写入html不覆盖,【JavaScript】使用document.write输出覆盖HTML问题
- mac hdmi 不能调整音量_如何使用Mac的媒体键在DisplayPortHDMI或Thunderbolt监视器上调整扬声器音量...
- java exception 乱码_java 常见中文乱码问题解决
- python 读取文件
- python章节总结_《Python深度学习》第一章总结