目录
1.1 平滑假设(The Smoothness Assumption)
1.2 集群假设(The Cluster Assumption)
1.3 流形假设(The Manifold Assumption)
2.2 Temporal Ensembling (ICLR2017)
2.4 Unsupervised Data Augmentation(无监督数据增加)
3. Proxy-label Methods(代理标签方法)
参考:https://zhuanlan.zhihu.com/p/252343352
在现实生活中,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力。在这种情况下,半监督学习(Semi-Supervised Learning)更适用于现实世界中的应用,只需要 少量有带标签的样本 和 大量无标签的样本,而本文主要介绍半监督学习的三个基本假设和三类方法。
一、基本假设(Base Assumptions)
半监督算法仅在数据的结构保持不变的假设下起作用,没有这样的假设,不可能从有限的训练集推广到无限的不可见的集合。具体地假设有:
1.1 平滑假设(The Smoothness Assumption)
样本相似,输出也相似。
如果两个样本 x1,x2 相似则它们的相应输出 y1,y2 也应如此。这意味着如果两个输入相同类,并且属于同一簇ÿ