基于域约束近似的半监督学习

用于监督学习的深度学习在各种机器学习应用中取得了惊人的性能。然而，标注数据昂贵且稀少。在实践中，只有一小部分数据样本被标注。基于伪集成的方法在计算机视觉相关任务中取得了最先进的结果。然而，它仍然依赖于由标注数据构建的初始模型的质量。较少的标注数据可能会大幅降低模型性能。域约束是另一种正则化后验的方式，但存在一些局限性。在本文中，我们提出了一种基于模糊域约束的框架，它放宽了传统约束学习的要求，并提升了半监督的模型质量。仿真结果表明了我们设计的有效性。