一次性半监督学习的实证考察
机器学习
2020-04-09 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络在新应用中推广的最大障碍之一是，训练网络通常需要大量人工标注的训练样本。我们从实证上考察了如下场景：可获取大量无标签数据，但每类仅需标注一个原型样本即可训练深度网络（即一次性半监督学习）。具体而言，我们考察了 FixMatch 中报道的一次性半监督学习结果，以理解影响并阻碍 Cifar-10 一次性半监督学习高准确率与可靠性的因素。例如，我们发现高性能图像分类的一次性半监督学习的一个障碍是训练过程中各类准确率的均衡性不足。这些结果指向了可能促使一次性半监督训练方法在新应用中更广泛采用的解决方案。
引用
@article{arxiv.2004.04141,
title = {Empirical Perspectives on One-Shot Semi-supervised Learning},
author = {Leslie N. Smith and Adam Conovaloff},
journal= {arXiv preprint arXiv:2004.04141},
year = {2020}
}
备注
Short paper with interesting results pointing to further investigation