构建一次性半监督（BOSS）学习以达到全监督性能
机器学习
2021-01-27 v2 计算机视觉与模式识别
神经与进化计算
图像与视频处理
机器学习
摘要
利用未标记数据且每类仅标记一个样本而达到全监督学习的性能，或许是深度学习应用的理想情形。我们首次展示了在Cifar-10与SVHN上构建一次性半监督（BOSS）学习以取得可与全监督学习相媲美测试准确率的潜力。我们的方法结合了类原型精炼、类平衡与自训练。良好的原型选择至关重要，我们提出了一种获取标志性样本的技术。此外，我们证明类平衡方法在半监督学习中大幅提升准确率至可使自训练达到全监督学习性能水平的程度。严谨的实证评估提供了证据：训练深度神经网络无需标记大型数据集。我们将代码发布于 https://github.com/lnsmith54/BOSS 以便于复现并用于未来现实应用。
引用
@article{arxiv.2006.09363,
title = {Building One-Shot Semi-supervised (BOSS) Learning up to Fully Supervised Performance},
author = {Leslie N. Smith and Adam Conovaloff},
journal= {arXiv preprint arXiv:2006.09363},
year = {2021}
}
备注
Revised version