semi-supervised classification

半监督学习任务主要分为半监督聚类、半监督分类、半监督回归等问题，我们主要针对半监督分类问题。

半监督学习的假设

• 基于低密度假设
        模型的决策边界不应该将该密度区域划分开，而应该处在低密度区域内。
• 基于平滑化假设
        输入空间中，距离相近的两个样本应该有相同的标签。
  
                                              平滑化与低密度假设
• 基于流形假设
        data points on the same low-dimensional manifold should have the same label.
        流形假设是指具有相似性质的示例，其通常处于较小的局部领域，因此标记也十分相似，这种假设反映了决策函数的局部平滑性。
                                                 流形假设
• 基于聚类假设
        位于同一个簇中的样本往往具有相似的标签，而处于不同簇中的样本其标签往往不同。

主要研究的方法(self-labeled)

self-labeled方法的分类：

                                               self-labeled的分类图
self-teaching与multi-teaching的比较：
      self-teaching即自己教的知识再用来提升自己，由于自己先前的认知有错误，很可能会恶化模型。
      multi-teaching即两个不同的