对比混合：面向表格域的自监督与半监督学习
机器学习
2021-09-02 v2
摘要
近期自监督领域的文献表明，在图像与文本域中，监督与无监督方法之间的差距已显著缩小。这些方法依赖于特定于领域的增强，而这些增强不能直接适用于表格域。相反，我们引入了 Contrastive Mixup，一种用于表格数据的半监督学习框架，并展示了其在有限标注数据设置下的有效性。我们提出的方法在流形假设下利用基于 Mixup 的增强，将样本映射到低维潜空间，并鼓励插值样本在同一标注类内具有高相似性。未标注样本还通过转导标签传播方法被额外使用，以进一步丰富可用于对比损失项的相似与不相似样本对集合。我们在公开表格数据集与真实世界临床数据集上展示了该框架的有效性。
引用
@article{arxiv.2108.12296,
title = {Contrastive Mixup: Self- and Semi-Supervised learning for Tabular Domain},
author = {Sajad Darabi and Shayan Fazeli and Ali Pazoki and Sriram Sankararaman and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:2108.12296},
year = {2021}
}