近年来,半监督算法在学术界和工业界都得到了广泛的关注。在现有的技术中,自训练方法可以说在过去几年里得到了更多的关注。这些模型被设计用来搜索低密度区域的决策边界,而不对数据分布做额外的假设,并使用一个学习过的分类器的无符号输出分数,或它的边缘,作为置信度的指标。自训练算法的工作原理是通过将伪标签分配给一组边缘大于某一阈值的未标记训练样本,迭代地学习分类器。然后使用伪标记的例子来丰富标记的训练数据,并结合标记的训练集训练一个新的分类器。我们提出了二分类和多分类的自训练方法及其变体,这些方法是最近使用神经网络发展起来的。最后,我们讨论了我们对未来自训练研究的想法。据我们所知,这是关于这个主题的第一次彻底和完整的综述。

成为VIP会员查看完整内容
28

相关内容

半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性,因此,半监督学习目前正越来越受到人们的重视。
最新《计算机视觉持续学习进展》综述论文,22页pdf
专知会员服务
69+阅读 · 2021年9月25日
电子科大最新《深度半监督学习》综述论文,24页pdf
专知会员服务
87+阅读 · 2021年3月6日
最新《对比监督学习》综述论文,20页pdf
专知会员服务
82+阅读 · 2020年11月5日
《小样本元学习》2020最新综述论文
专知会员服务
172+阅读 · 2020年7月31日
专知会员服务
97+阅读 · 2020年7月20日
最新《深度学习行人重识别》综述论文,24页pdf
专知会员服务
80+阅读 · 2020年5月5日
专知会员服务
197+阅读 · 2020年3月6日
自然语言处理常识推理综述论文,60页pdf
专知
69+阅读 · 2019年4月4日
学界 | 综述论文:四大类深度迁移学习
机器之心
16+阅读 · 2018年9月15日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
A Survey on Data Augmentation for Text Classification
Arxiv
17+阅读 · 2021年1月21日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
25+阅读 · 2020年3月13日
VIP会员
相关VIP内容
最新《计算机视觉持续学习进展》综述论文,22页pdf
专知会员服务
69+阅读 · 2021年9月25日
电子科大最新《深度半监督学习》综述论文,24页pdf
专知会员服务
87+阅读 · 2021年3月6日
最新《对比监督学习》综述论文,20页pdf
专知会员服务
82+阅读 · 2020年11月5日
《小样本元学习》2020最新综述论文
专知会员服务
172+阅读 · 2020年7月31日
专知会员服务
97+阅读 · 2020年7月20日
最新《深度学习行人重识别》综述论文,24页pdf
专知会员服务
80+阅读 · 2020年5月5日
专知会员服务
197+阅读 · 2020年3月6日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
微信扫码咨询专知VIP会员