异构半监督学习的统一框架
机器学习
2025-03-04 v1 人工智能
摘要
在本工作中，我们提出了一种新的问题设定，称为异构半监督学习（HSSL），该设定通过连接半监督学习（SSL）任务与无监督域适应（UDA）任务，呈现出独特的挑战，并将标准半监督学习扩展以应对异构训练数据。其核心，HSSL旨在利用从共享相同语义类别的异构领域分别抽取的有标签和无标签训练数据的组合来学习一个预测模型；该模型旨在区分从有标签领域和无标签领域采样的测试实例的语义类别。特别地，有标签领域和无标签领域具有不相似的标签分布和类特征分布。这种异构性，连同测试数据的多样化来源，给标准SSL和UDA方法带来了重大挑战。因此，我们提出了一种新方法——异构半监督学习统一框架（Uni-HSSL），通过直接从异构数据学习细粒度分类器来解决HSSL，该方法自适应地处理跨领域异构性，同时利用无标签数据和跨领域语义类别关系进行跨域知识迁移与适应。我们进行了全面的实验，实验结果验证了所提出的Uni-HSSL在优于最先进的半监督学习和无监督域适应方法方面的有效性和优越性能。
引用
@article{arxiv.2503.00286,
title = {A Unified Framework for Heterogeneous Semi-supervised Learning},
author = {Marzi Heidari and Abdullah Alchihabi and Hao Yan and Yuhong Guo},
journal= {arXiv preprint arXiv:2503.00286},
year = {2025}
}