用于深度半监督学习的标签传播
计算机视觉与模式识别
2019-09-20 v1 机器学习
摘要
半监督学习正变得愈发重要，因为它能将人工仔细标注的数据与大量未标注数据结合以训练深度神经网络。经典的半监督学习方法聚焦于转导学习，尚未在现代深度学习所遵循的归纳框架中得到充分利用。流形假设——即相似样本应获得相同预测——同样如此。本文中，我们采用一种基于流形假设的转导标签传播方法，对全体数据集进行预测，并利用这些预测为未标注数据生成伪标签以训练深度神经网络。该转导方法的核心是基于同一网络嵌入所构建的数据集最近邻图。因此，我们的学习过程在这两个步骤间迭代。我们在多个数据集上提升了性能，尤其在少标签情形下，并表明本工作与当前最优方法互补。
引用
@article{arxiv.1904.04717,
title = {Label Propagation for Deep Semi-supervised Learning},
author = {Ahmet Iscen and Giorgos Tolias and Yannis Avrithis and Ondrej Chum},
journal= {arXiv preprint arXiv:1904.04717},
year = {2019}
}
备注
Accepted to CVPR 2019