利用物理与领域知识对神经网络进行无标签监督
人工智能
2016-09-20 v1
摘要
在许多机器学习应用中，标注数据稀缺且获取更多标签代价高昂。我们提出了一种通过指定输出空间上应成立的约束、而非直接的输入输出对样本来监督神经网络的新方法。这些约束源自先前的领域知识，例如已知的物理定律。我们在真实世界与模拟的计算机视觉任务上展示了该方法的有效性。我们能够在没有任何标注样本的情况下训练一个卷积神经网络来检测和跟踪物体。我们的方法能显著减少对标注训练数据的需求，但为将先验知识编码进适当的损失函数带来了新挑战。
引用
@article{arxiv.1609.05566,
title = {Label-Free Supervision of Neural Networks with Physics and Domain Knowledge},
author = {Russell Stewart and Stefano Ermon},
journal= {arXiv preprint arXiv:1609.05566},
year = {2016}
}