semi-supervised learning (6)

最新推荐文章于 2024-11-24 11:27:26 发布
原创 最新推荐文章于 2024-11-24 11:27:26 发布 · 310 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文将探讨多元视图算法中的核心概念——Co-training，介绍其假设、算法流程，并分析其优缺点。深入理解多视角在半监督学习中的应用，以及如何进行多模态数据的训练和整合。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ORCA-OPEN-WORLD SEMI-SUPERVISED LEARNING阅读记录
Fiona_smith的博客
05-18 1133
解决开放世界SSL的关键挑战是既要从可见/标记的类中学习，也要从不可见/未标记的类中学习。这是具有挑战性的，因为与新类相比，模型在已知类上学习判别表示的速度更快。这导致与新类相比，已见类的类内方差较小。为了解决这个问题，我们提出了ORCA，一种利用不确定性自适应边界在训练过程中减小已知类和新类之间的类内方差差距的方法。
Label Efficient Semi-Supervised Learning via Graph Filtering.pdf
08-09
Graph-based methods have been demonstrated as one of the most effective approaches for semi-supervised learning,astheycanexploittheconnectivitypatternsbetweenlabeled and unlabeled data samples to ...
Semi-supervised Learning(半监督学习)
长路漫漫亦灿灿
05-30 1708
半监督学习，
半监督学习（Semi-Supervised Learning）
qq_28791753的博客
11-18 3872
半监督学习是一种机器学习方法，它结合了少量的标注数据和大量的未标注数据来构建模型。传统的监督学习依赖于大量标注数据，而无监督学习则完全不需要标注数据。半监督学习则介于两者之间，通过利用未标注数据来提升模型的性能和泛化能力。
A Simple Semi-Supervised Learning Framework for Object Detection
qq_51659249的博客
10-25 1261
如果对一个未标记的数据应用实际的扰动, 其预测结果不应该发生显著变化, 也就是输出具有一致性，通过在未标记数据上构造添加扰动后的预测结果 y~​ 与正常预测结果 y之间的无监督正则化损失项, 提高模型的泛化能力。是首先为未标记的数据生成人工标签，并训练模型在为未标记的数据提供保持语义的随机增强时预测这些人工标签。本文的工作：利用深度SSL在图像分类方面的经验来解决SSL用于目标检测的问题。提出了一个用于对象检测的SSL框架，该框架结合了自我训练（通过伪标签）和基于强数据增强的一致性正则化。受。
Semi-supervised Learning by Entropy Minimization论文整理
m0_60273616的博客
03-06 1344
该文章提出了一种适用于任何概率分类器的估计原则，旨在使未标记数据在有益的情况下得到充分利用，同时对它们的贡献进行控制，从而为学习方案提供鲁棒性。
USB: A Unified Semi-supervised Learning Benchmark for Classification
weixin_52811265的博客
11-24 197
文章说采用的强增强方式是back-translation,在数据集中我看到了aug_0和aug_1,在大多数样本中，aug_1比aug_0的句子更加简洁，想问在aug_1句子上除了back-translation，是否还用了其他的增强方式，下面是第102765个样本。在这篇文章里，USB: A Unified Semi-supervised Learning Benchmark for Classification，关于文本数据集。
一文速通半监督学习(Semi-supervised Learning)：桥接有标签与无标签数据
定期分享我的发现和想法，感谢你的陪伴和支持
03-18 6790
论文看到哪学到哪 ^ - ^在机器学习的世界里，我们通常遇到这样一个现实问题：标注数据（有标签的数据）往往昂贵且难以获得，而未标注数据（无标签的数据）却大量存在，易于收集。假设你正在尝试教会计算机区分猫和狗的照片，但只有少数照片是打上了“猫”或“狗”的标签，大部分照片都没有标签。这时候，半监督学习就闪亮登场了，它是一种使用大量未标注数据和少量标注数据进行学习的方法，旨在提高学习效率和准确性。
【论文阅读】MixMatch: A Holistic Approach to Semi-Supervised Learning
三木今天学习了嘛の博客
11-01 789
MixMatch统一了目前半监督学习的主流方法，产生了一种新的算法，它为数据增强的未标记的例子猜测低熵标签，并使用MixUp混合标记和未标记的数据。
A survey on semi-supervised learning
yaotongsheng7600的博客
11-08 454
弱监督的概述 ，算法的分类和对比
【论文阅读】Semi-Supervised Learning with Ladder Networks
来日可期的博客
06-20 1172
论文阅读: Semi-Supervised Learning with Ladder Networks
Graph-Based Semi-Supervised Learning
01-09
In order to adapt to this phenomenon, several semi-supervised learning (SSL) algorithms, which learn from labeled as well as unlabeled data, have been developed. In a separate line of work, ...
nips14-ssl:NIPS 2014 论文“Semi-Supervised Learning with Deep Generative Models”结果复现代码
06-28
NIPS'14-SSL 使用深度生成模型重现我们的 NIPS 2014 论文关于半监督学习 (SSL) 的一些关键结果的代码。 DP Kingma、DJ Rezende、S. Mohamed、M. Welling 具有深度生成模型的半监督学习神经信息处理系统的进展 27 ...
Introduction to Semi-Supervised Learning
07-09
Semi-supervised learning is a learning paradigm concerned with the study of how computers and natural systems such as humans learn in the presence of both labeled and unlabeled data.Traditionally, ...
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
aaaa1111sdfs
08-13
aaaa1111sdfs
三菱PLC结构化编程在整条生产线自动化控制中的应用与实现 - 机器人控制 实战版
08-13
基于三菱Q系列PLC的整条生产线自动化控制系统的设计与实现。项目涵盖了两台Q系列PLC、六台触摸屏、MES系统、CCD检测系统、以太网通信、CCLINK远程IO站、RS232串口通信和机器人控制等多个关键技术。通过结构化模块化编程方法，项目实现了高效的代码复用和管理，提升了生产线的自动化和智能化水平。文中还展示了如何通过主从通信方式实现触摸屏的人机交互，以及如何通过功能块（FB）和功能（FC）封装实现各种复杂控制任务。此外，项目提供了完整的PLC程序、触摸屏程序、电气CAD图纸、IO表和设计数据文档，具有很高的参考价值。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是对三菱PLC编程感兴趣的读者。 使用场景及目标：适用于需要提升生产线自动化程度的企业和个人开发者。通过学习本文，读者可以掌握三菱PLC结构化编程的方法，应用于实际项目中，提高生产效率和管理水平。 其他说明：本文不仅提供详细的编程思路和技术细节，还附带了丰富的参考资料，有助于读者深入理解和实践。
交流异步电机VF调速系统Matlab Simulink 2016b仿真研究与实例解析 - 交流异步电机 v2.1
最新发布
08-13
利用Matlab Simulink 2016b进行交流异步电机VF（恒压频比）调速系统的建模与仿真方法。首先，构建了三相电压源和异步电机的基本模型，设置了关键电气参数如电阻、电感等。然后，实现了电压频率控制的核心逻辑，特别是针对低频段进行了电压补偿以确保足够的启动转矩。此外，还探讨了PWM生成器配置以及仿真过程中可能出现的问题及其解决方案。最终，通过示波器观测转速和转矩的变化情况来验证系统的性能特点。 适合人群：从事电力电子、自动化控制领域的工程师和技术人员，尤其是那些希望深入了解交流异步电机调速原理并掌握具体仿真技巧的人士。 使用场景及目标：适用于需要评估或优化交流异步电机VF调速系统的设计人员，在实际项目前期可以通过此类仿真实验快速测试不同工况下系统的响应特性，从而指导硬件选型和软件算法调整。 其他说明：文中提到的一些具体参数设定和调试经验对于初次接触这类仿真的读者非常有帮助，同时强调了一些容易忽视但会影响结果的关键点，如持续关注电流波形、正确选择PWM载波频率等。
【java毕业设计】医家管理系统源码（ssm+mysql+说明文档）.zip
08-13
java语言，idea开发平台，mysql5.5以上版本，ssm框架 前台+后台，3个用户，注册用户，医生，管理员 网站前台： 用户注册，登录 信息公示查看 医生信息展示（姓名， 职称，科室，擅长领域等） 就医预约（填写选择医生，对应某个科室，日期，就医症状等） 医药信息费用查看 管理员 管理员信息管理 科室管理 医生信息管理 注册用户管理，审核 信息公示管理 医药信息管理（医药名称，类别，费用，图片等） 医药出入库管理 医药库存查看 系统管理 医生 个人资料修改 就医预约审核 病历管理 用户 用户资料修改 我的预约信息 我的病历查看 完整前后端源码，部署后可正常运行！ 环境说明 开发语言：Java后端 框架：ssm，mybatis JDK版本：JDK1.8+ 数据库：mysql 5.7+ 数据库工具：Navicat11+ 开发软件：eclipse/idea Maven包：Maven3.3+ 部署容器：tomcat7.5+
temporal ensembling for semi-supervised learning
06-28
Temporal Ensembling是一种半监督学习方法，它使用了时间上的一致性来提高模型的性能。该方法通过对未标记数据进行预测，并将预测结果与之前的预测结果进行平均，从而获得更加稳定和准确的预测结果。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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