伪标签Pseudo Label

伪标签介绍

伪标签(Pseudo Label)是半监督学习中的一个概念,能够帮助模型更好的从无标注的信息中进行学习。与完全的无监督学习相比,半监督学习拥有部分的标注数据和大量的未标注数据,这种形式也更加适合现实场景和竞赛场景。

  • 在现实,标注数据少,未标注数据多;
  • 在竞赛,训练集有标注,测试集未标注;

那么如何完全将未标注的数据利用起来呢?

在半监督学习中伪标签是其中的方法,具体思路如下:首先利用现有的标注数据,训练得到一个模型;利用训练得到的模型对无标注数据进行预测;然后将无标注数据的预测标签和数据加入训练集一起训练;

伪标签的思路非常简单,在竞赛中非常常见,但上述步骤并不是完全直接预测所有的未标注数据,也不是将所有的未标注数据预测后一起进行训练。

  • 如果初期有标注的数据集比较少,则每次加入的伪标签也不能很多;
  • 上述对未标注数据进行预测和加入训练的过程是迭代进行,不是单次进行的。

在竞赛中伪标签不是万能的,一般情况下伪标签适用于:

  • 非结构化数据,使用深度学习的常见下;
  • 模型的精度较高的情况下,加入的伪标签才精确;

伪标签 vs 软标签

伪标签与软标签名字上比较类似,两者很容易弄混淆:

  • 伪标签(Pseudo Label)对未标注数据进行预测,进行二次训练;
  • 软标签(Soft Label)对标签转为离散值,进行二次训练;

软标签一般使用在模型蒸馏和某些数据集的训练中,可以让模型学习到样本整体类别分布。同时软标签与硬标签(Hard Label)相比,软标签可以防止模型过拟合,也可以配合mixup一起进行使用。

当然也可以将软标签与伪标签同时使用,如下图的思路。在图中照片的原始标签为car,但照片还有person的类别,如果直接使用硬标签进行训练,会带来一定的模型噪音。

可以将模型的预测概率结果(每类概率分布)代替原始图片的标签进行训练,这样图片的标签就更加合理,模型训练过程也会更加稳定。

伪标签注意事项

  1. 在竞赛中如果没有其他涨分的方法,再建议尝试伪标签,否则不建议尝试;
  2. 伪标签适合用在深度学习方法中,且一般选择预测执行度高的样本加入训练;
  3. 伪标签是否能使用,需要按照举办方规定;
  • 8
    点赞
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

落难Coder

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值