用于半监督持续学习的标签传播自适应共振理论
计算机视觉与模式识别
2020-05-06 v1 机器学习
摘要
半监督学习和持续学习是实现人类水平智能的基本范式。为解决现实世界中标签稀少且重复访问相同数据机会有限的问题，有必要将这两种范式结合使用。本文提出用于半监督持续学习的标签传播自适应共振理论（LPART）。LPART 使用在线标签传播机制进行分类，并随着观测数据的积累逐步提高其准确率。我们通过调整有标签和无标签数据的比例，在视觉（MNIST、SVHN、CIFAR-10）和音频（NSynth）数据集上评估了所提出的模型。当同时使用有标签和无标签数据时，准确率显著提高，表明 LPART 在数据标签稀缺的环境中具有显著优势。
引用
@article{arxiv.2005.02137,
title = {Label Propagation Adaptive Resonance Theory for Semi-supervised Continuous Learning},
author = {Taehyeong Kim and Injune Hwang and Gi-Cheon Kang and Won-Seok Choi and Hyunseo Kim and Byoung-Tak Zhang},
journal= {arXiv preprint arXiv:2005.02137},
year = {2020}
}
备注
5 pages, 2 figures, 1 table, accepted in ICASSP 2020