- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法之名
半监督学习
此时我们可以使用有监督的学习来看一下结果，再使用10%的有标注的数据集结合剩下90%的未标注的数据来使用半监督学习的方法，我们希望半监督学习的方法也能达到有监督学习的水平。 半监督学习的应用 视频理解， 自动驾驶 医疗影像分割 心脏信号分析 半监督前提假设 连续性假设(Continuity Assumption): 我们用一个分类问题来举例，当我们的Input是比较接近的时候 ；L指损失函数；G是生成器，半监督学习可以用到生成式模型；D是判别器；C是分类器；H是熵，一般指交叉熵；E是期望；R是正则项，半监督学习中一般指一致性正则，当然半监督学习也可以使用传统的L1和L2正则； 半监督学习最核心的其实就是它的损失函数，它一般包含三个部分，第一部分就是有监督的loss(supervised loss)，第二部分就是无监督的loss(unsupervised loss)以及第三部分正则项 半监督学习实施方法 半监督学习模型可以分为五大方法，第一个是生成式模型，第二个是一致性损失正则，第三个是图神经网络，第四个是伪标签的方法，第五个是混合方法。
94820编辑于 2022-09-02 - 来自专栏浪浪山下那个村
半监督学习
如何让学习过程不依赖外界的咨询交互，自动利用未标记样本所包含的分布信息的方法便是半监督学习（semi-supervised learning），即训练集同时包含有标记样本数据和未标记样本数据。 此外，半监督学习还可以进一步划分为纯半监督学习和直推学习，两者的区别在于：前者假定训练数据集中的未标记数据并非待预测数据，而后者假定学习过程中的未标记数据就是待预测数据。 主动学习、纯半监督学习以及直推学习三者的概念如下图所示： 生成式方法 生成式方法（generative methods）是基于生成式模型的方法，即先对联合分布P(x,c)建模，从而进一步求解 P(c 半监督SVM 监督学习中的SVM试图找到一个划分超平面，使得两侧支持向量之间的间隔最大，即“最大划分间隔”思想。对于半监督学习，S3VM则考虑超平面需穿过数据低密度的区域。 半监督聚类 前面提到的几种方法都是借助无标记样本数据来辅助监督学习的训练过程，从而使得学习更加充分/泛化性能得到提升；半监督聚类则是借助已有的监督信息来辅助聚类的过程。
1.1K30编辑于 2022-06-17 - 来自专栏AI人工智能
半监督学习革命
谷歌首席科学家发文阐述“半监督学习革命”，想走出瓶颈先试试这个 没有大量的标注数据怎么办？ 谷歌首席科学家，谷歌大脑技术负责人Vincent Vanhoucke说， 半监督学习革命 已经来了。 半监督学习历来是每个工程师走过的弯路，他们研究了半监督学习，然后就回到那些已有的标注过的数据上。 另外，半监督学习可不是白来的，而且用半监督学习的方法往往不能像监督学习那样给出一个趋向同样的渐进，比如未标记的数据可能会引起偏差。 因此，一个典型的机器学习工程师在遇到半监督学习的困境时的处理过程是这样的： 一切都很糟糕，我们不如试试半监督学习。 等等，这篇文章的标题不是“安静的半监督革命”吗？ 一个有趣的趋势是，半监督学习的前景可能正在改变，比如这样： 首先，如果这些曲线和人们的心理模型相符，用半监督学习训练的效果就是数据越多，效果越好。
68730发布于 2019-06-03 - 来自专栏全栈程序员必看
机器学习之有监督学习,无监督学习,半监督学习
文章目录 前言 有监督学习 无监督学习 半监督学习 前言 机器学习是数据分析和数据挖掘的一种比较常用，比较好的手段从有无监督的角度，可以分为三类： 有监督学习 无监督学习 半监督学习 有监督学习 用已知某种或某些特性的样本作为训练集 然后最终会有一个目标值的y，如果有y，我们就称之为有监督学习，我们就要使用有监督学习进行模型的构建，实际上我们在日常的业务当中能够多使用有监督学习就多使用有监督学习，比如说在有 x 1 , x 2 , 无监督学习 知道了有监督学习的定义了，无监督学习的定义也就出来了。在算法构建的过程中不考虑Y的值，只通过特征信息去归纳出一些新的规律出来，这个方法就称之为无监督学习。 有监督学习和无监督学习的区别就是一个有y，一个没有y。这是最简单的记忆方式。 半监督学习 看上面有监督学习和无监督学习的定义，就是一半有一半无呗 意思就是用少量的有标注的样本和大量未标注的样本进行训练和分类，这样是有监督学习和无监督学习的结合。
96011编辑于 2022-09-01 - 来自专栏机器学习之旅
伪标签半监督学习
丢失信息量 设置哑变量 会造成数据分布有偏 smote 连续值有效，离散值就无法实施了 我在Google上看imbalance问题的时候，偶然看到了这个视频教程，上面讲了图像的缺失处理，提到了伪标签处理的半监督学习方式 利用伪标签半监督的方式，同样的mixed logistic regression模型AUC值会提高0.1pp左右，效果还不错，而且实施并不复杂，大家可以在缺失值处理或者分类问题中应用尝试一下。
99620发布于 2018-08-27 - 来自专栏全栈程序员必看
有监督学习、无监督学习以及半监督学习详解
相信大家在开始学习机器学习的入门时，首先接触的概念就是监督学习、无监督学习以及半监督学习。在我们开始讲解之前，我们先回顾一下什么是机器学习（ML）？ 监督学习 监督学习是从标记的训练数据来推断一个功能的机器学习任务。利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的 过程，也称为监督训练或有教师学习。 可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签（label）的。 半监督学习 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，半监督学习正越来越受到人们的重视。
3.1K20编辑于 2022-09-01 - 来自专栏人工智能LeadAI
伪标签半监督学习
丢失信息量 设置哑变量 会造成数据分布有偏 smote 连续值有效，离散值就无法实施了 我在Google上看imbalance问题的时候，偶然看到了这个视频教程，上面讲了图像的缺失处理，提到了伪标签处理的半监督学习方式 利用伪标签半监督的方式，同样的mixed logistic regression模型AUC值会提高0.1pp左右，效果还不错，而且实施并不复杂，大家可以在缺失值处理或者分类问题中应用尝试一下。
83420发布于 2018-08-17 - 来自专栏小小挖掘机
比监督学习做的更好：半监督学习
---- 作者：Andre Ye 编译：ronghuaiyang 导读 为什么半监督学习是机器学习的未来。 ? 监督学习是人工智能领域的第一种学习类型。 半监督学习可以在标准的任务中实现SOTA的效果，只需要一小部分的有标记数据 —— 数百个训练样本。 在这个我们对半监督学习的探索中，我们会有： 半监督学习简介。 什么是半监督学习，它与其他学习方法相比如何，半监督学习算法的框架/思维过程是什么？ 算法：Semi-Supervised GANs。与传统GANs的比较，过程的解释，半监督GANs的性能。 用例和机器学习的未来。为什么半监督学习会有如此大的需求，哪里可以应用。 半监督学习介绍 半监督学习算法代表了监督和非监督算法的中间地带。 半监督学习允许我们操作这些类型的数据集，而不必在选择监督学习或非监督学习时做出权衡。
1.4K40发布于 2020-12-08 - 来自专栏全栈程序员必看
机器学习中的有监督学习，无监督学习，半监督学习
在机器学习(Machine learning)领域，主要有三类不同的学习方法： 监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 半监督学习 非监督学习：直接对输入数据集进行建模，例如聚类。 半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。 三、半监督学习 1、半监督学习的基本思想是利用数据分布上的模型假设, 建立学习器对未标签样本进行标签。 半监督学习就是在样本集S 上寻找最优的学习器。如何综合利用已标签样例和未标签样例,是半监督学习需要解决的问题。 2、半监督学习问题从样本的角度而言是利用少量标注样本和大量未标注样本进行机器学习，从概率学习角度可理解为研究如何利用训练样本的输入边缘概率 P( x )和条件输出概率P ( y | x )的联系设计具有良好性能的分类器
14.3K31编辑于 2022-09-02 - 来自专栏全栈程序员必看
机器学习（二）：有监督学习、无监督学习和半监督学习
有监督学习的结果可分为两类：分类或回归。 四、半监督学习（semi-supervised learning） 有监督学习和无监督学习的中间带就是半监督学习（semi-supervised learning）。 对于半监督学习，其训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常远远大于有标签数据数量（这也是符合现实情况的）。 隐藏在半监督学习下的基本规律在于：数据的分布必然不是完全随机的，通过一些有标签数据的局部特征，以及更多没标签数据的整体分布，就可以得到可以接受甚至是非常好的分类结果。 从不同的学习场景看，SSL可分为四大类： 1 半监督分类 半监督分类(Semi-Supervised Classification)：是在无类标签的样例的帮助下训练有类标签的样本，获得比只用有类标签的样本训练得到的分类器性能更优的分类器
87220编辑于 2022-09-02 - 来自专栏机器学习与统计学
机器学习的未来：半监督学习
作者：Andre Ye 编译：ronghuaiyang 导读 为什么半监督学习是机器学习的未来。 ? 监督学习是人工智能领域的第一种学习类型。 半监督学习可以在标准的任务中实现SOTA的效果，只需要一小部分的有标记数据 —— 数百个训练样本。 在这个我们对半监督学习的探索中，我们会有： 半监督学习简介。 什么是半监督学习，它与其他学习方法相比如何，半监督学习算法的框架/思维过程是什么？ 算法：Semi-Supervised GANs。与传统GANs的比较，过程的解释，半监督GANs的性能。 用例和机器学习的未来。为什么半监督学习会有如此大的需求，哪里可以应用。 半监督学习介绍 半监督学习算法代表了监督和非监督算法的中间地带。 半监督学习允许我们操作这些类型的数据集，而不必在选择监督学习或非监督学习时做出权衡。
1.4K21发布于 2020-12-08 - 来自专栏海天一树
机器学习（二）：有监督学习、无监督学习和半监督学习
* 四、半监督学习（semi-supervised learning） 有监督学习和无监督学习的中间带就是半监督学习（semi-supervised learning）。 对于半监督学习，其训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常远远大于有标签数据数量（这也是符合现实情况的）。 隐藏在半监督学习下的基本规律在于：数据的分布必然不是完全随机的，通过一些有标签数据的局部特征，以及更多没标签数据的整体分布，就可以得到可以接受甚至是非常好的分类结果。 * 从不同的学习场景看，SSL可分为四大类： 1 半监督分类 半监督分类(Semi-Supervised Classification)：是在无类标签的样例的帮助下训练有类标签的样本，获得比只用有类标签的样本训练得到的分类器性能更优的分类器 3 半监督聚类 半监督聚类(Semi-Supervised Clustering)：在有类标签的样本的信息帮助下获得比只用无类标签的样例得到的结果更好的簇，提高聚类方法的精度。
2.1K60发布于 2018-04-17 - 来自专栏CSDN社区搬运
半监督学习与数据增强
概述 本文复现论文 FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence[1] 提出的半监督学习方法 半监督学习（Semi-supervised Learning）是一种机器学习方法，它将少量的标注数据（带有标签的数据）和大量的未标注数据（不带标签的数据）结合起来训练模型。 因此，半监督学习方法被引入并被用于利用未标注数据来提高模型的性能和泛化能力。 图1：半监督数据集 该论文介绍了一种基于一致性和置信度的半监督学习方法 FixMatch。 FixMatch 在各种半监督学习数据集上实现了先进的性能。 算法原理 FixMatch 结合了两种半监督学习方法：一致性正则化和伪标签。 FixMatch 的损失函数由两个交叉熵损失项组成：一个用于有标签数据的监督损失 lsls 和一个用于无标签数据的无监督损失 lulu 。
60810编辑于 2024-12-07 - 来自专栏机器学习算法工程师
《机器学习》笔记-半监督学习（13）
章节目录 （一）未标记样本 （二）生成式方法 （三）半监督SVM （四）图半监督学习 （五）基于分歧的方法 （六）半监督聚类 01 未标记样本 让学习器不依赖外界交互，自动地利用未标记样本来提升学习性能 半监督学习可进一步划分为纯（pure）半监督学习和直推学习（transductive learning），前者假定训练数据中的未标记样本并非待预测数据，而后者则假定学习过程中所考虑的未标记样本恰是待预测数据 03 半监督SVM 半监督支持向量机（Semi-Supervised Support Vector Machine，简称 S3VM）是支持向量机在半监督学习上的推广。 于是，半监督学就对应于“颜色”在图上扩散或传播的过程。由于一个图对应了一个矩阵，这使得我们能基于矩阵运算来进行半监督学习算法的推到和分析。 05 基于分歧的方法 与生成式方法、半监督SVM、图半监督学习等基于单学习器利用未标记数据不同，基于分歧的方法（disagreement-base methods）使用多学习器，而学习器之间的“分歧”
1.5K20发布于 2018-07-27 - 来自专栏用户9378866的专栏
半监督学习入门基础（一）
导读最基础的半监督学习的概念，给大家一个感性的认识。半监督学习(SSL)是一种机器学习技术，其中任务是从一个小的带标签的数据集和相对较大的未带标签的数据中学习得到的。 区分半监督学习，监督学习和无监督学习 整个数据集中可用于训练的有标记数据的范围区分了机器学习的这三个相关领域。 监督学习 是机器学习中最流行的模式，在这种模式中，可以通过标签的形式获得完整的监督。 半监督式学习(SSL) ，正如其名称所示，介于两个极端之间(监督式是指整个数据集被标记，而非监督式是指没有标记)。半监督学习任务具有一个标记和一个未标记的数据集。 监督学习，半监督学习，无监督学习在标记数据上的差别可视化 为什么要关注半监督学习在许多实际应用中，收集大的有标签数据集太昂贵或者不可行，但是有大量的无标签数据可用。 由不同的半监督学习方法生成的决策边界 半监督学习的任务举例CIFAR-10 — 它是由10个类的32×32像素的RGB图像组成的数据集，任务是图像分类。
75140编辑于 2022-11-02 - 来自专栏人工智能
浅谈数据挖掘中的监督学习，半监督学习和无监督学习
通过无监督学习，系统可以发现哪些顾客更可能购买哪些商品，这对于个性化推荐非常有帮助。数据挖掘中的半监督学习半监督学习是一种介于监督学习和无监督学习之间的方法。 半监督学习的工作方式半监督学习的想法是通过少量的带标签数据来指导大量无标签数据的学习过程。带标签的数据提供了一些初始的分类规则，而无标签数据则通过这些规则来逐渐优化模型。 在机器学习领域，半监督学习被广泛应用于图像分类、文本分类等任务。 太长不看版监督学习、无监督学习和半监督学习是机器学习中三种重要的学习方法，它们各自有着独特的适用场景和优势。 监督学习更像是有老师指导的学习，无监督学习则是自主探索，而半监督学习则结合了两者的优点，能够在较低的成本下获得较好的学习效果。
14810编辑于 2026-03-07 - 来自专栏TechLead
半监督学习算法及其实现
本文详细介绍常见的半监督学习算法及其实现，包括图形半监督学习、自训练、一致性正则化和生成对抗网络（GANs），并通过代码实战展示其具体应用。 半监督学习位于监督学习和无监督学习之间，通过结合少量标记数据和大量未标记数据来构建模型。其目标是充分利用未标记数据的信息，提升模型的泛化能力。 半监督学习的定义和基本框架 定义：半监督学习是一种学习范式，旨在通过使用大量未标记数据和少量标记数据来训练模型。在许多实际应用中，获取未标记数据相对容易，而标记数据则相对稀缺且昂贵。 三、常见的半监督学习算法代码实战 在本章节中，我们将通过代码实战展示如何使用 PyTorch 实现常见的半监督学习算法，包括图形半监督学习、自训练、一致性正则化和生成对抗网络（GANs）。 希望通过这些实战案例，读者能够更好地掌握半监督学习的核心思想和技术，实现自己的半监督学习模型。
2.6K11编辑于 2024-07-05 - 来自专栏新智元
让半监督学习再次伟大！谷歌最新无监督数据增强研究，全面超越现有半监督学习方法
---- 新智元报道 来源：GoogleAI 编辑：元子 【新智元导读】Google AI最新研究用无监督数据增强推进半监督学习，取得令人瞩目的成果。 该方法超越了所有现有的半监督学习方法，并实现了仅使用极少量标记样本即可达到使用大量标记样本训练集的精度。 在谷歌最近“用于一致性训练的无监督数据增强（UDA）”的研究中，证明还可以对未标记数据执行数据增强，以显著改善半监督学习（SSL）。 谷歌的结果促进了半监督学习的复兴，而且还发现3点有趣的现象：（1）SSL可以匹配甚至优于使用数量级更多标记数据的纯监督学习。（2）SSL在文本和视觉两个领域都能很好地工作。 UDA在不同培训规模的监督学习中超越了最先进的成果，如下图。 在CIFAR-10半监督学习基准测试中，UDA的表现同样优于所有现有的SSL方法，如VAT、ICT和MixMatch。
2.1K30发布于 2019-07-16 - 来自专栏DeepHub IMBA
深度半监督学习方法总结
为了解决这个问题半监督学习 ( semi-supervised learning) 具有巨大实用价值。 根据系统的目标函数，有几种类型的半监督系统，例如半监督分类、半监督聚类和半监督回归。在本文中，我们主要回顾图像的单标签分类。 半监督学习 以下部分根据图 2 中的分类总结了一些最重要的半监督学习方法。 生成模型 GAN 是一种无监督模型。它包括一个在未标记数据上训练的生成模型，以及一个确定生成器质量的判别分类器。 VAE 训练有两个目标——输入和重建版本之间的重建目标，以及遵循高斯分布的潜在空间的变分目标学习。 VAE 可以通过两个步骤用作半监督学习模型。首先使用未标记和标记数据训练 VAE 以提取潜在表示。 与仅使用标记数据学习的模型相比，使用未标记数据可能会导致更差的泛化性能。 深度半监督学习已经在各种任务中取得了显著成果，并因其重要的实际应用而引起了研究界的广泛关注。
2.1K10发布于 2021-12-01 - 来自专栏常用算法专栏
监督、半监督、无监督和强化学习简介-AI快速进阶系列
概述 机器学习包括应用数学和统计方法让机器从数据中学习。它由四大技术家族组成： 监督学习 半监督学习 无监督学习 强化学习 在本文中，我们将探讨机器学习的目的以及何时应该使用特定技术。 监督学习 监督学习是一种由向机器学习模型提供标记数据组成的技术。标记的数据集通常是从经验中收集的数据，也称为经验数据。此外，数据通常需要准备以提高其质量、填补其空白或只是针对训练进行优化。 无监督学习 与监督学习相比，无监督学习包括处理未标记的数据。事实上，这些用例中的标签通常很难获得。例如，没有足够的数据知识或标签太昂贵。 此外，缺乏标签使得很难为经过训练的模型设定目标。 半监督学习 与监督和无监督学习类似，半监督学习包括使用数据集。 然而，半监督学习中的数据集分为两部分：标记部分和未标记部分。当标记数据或收集标记数据太难或太昂贵时，通常使用此技术。 最后，这种机器学习技术已被证明即使在数据集被部分标记的情况下也能表现出良好的准确性。 5. 强化学习 在强化学习中，系统只从一系列强化中学习。这些可以是与系统目标相关的正向关系，也可以是负数。
50821编辑于 2025-04-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号