LaplaceNet：一种用于深度半监督分类的混合图-能量神经网络
机器学习
2022-09-30 v3
摘要
半监督学习近期受到大量关注，因为它缓解了对大量标注数据的需求，而后者往往昂贵、需要专家知识且收集耗时。深度半监督分类的近期进展达到了前所未有的性能，监督与半监督学习之间的差距不断缩小。这一性能提升基于众多技术技巧、强增强技术以及具有多项损失函数的昂贵优化方案的引入。我们提出一种用于深度半监督分类的新框架 LaplaceNet，其模型复杂度大幅降低。我们采用混合方法，通过对图上的拉普拉斯能量(Laplacian energy)最小化来生成伪标签。这些伪标签随后被用于迭代训练神经网络骨干。我们的模型在多个基准数据集上优于最先进的深度半监督分类方法。此外，我们从理论上考虑强增强在神经网络上的应用，并论证了多采样方法用于半监督学习的合理性。我们通过严谨实验证明，多采样增强方法改善了泛化能力并降低了网络对增强的敏感性。
引用
@article{arxiv.2106.04527,
title = {LaplaceNet: A Hybrid Graph-Energy Neural Network for Deep Semi-Supervised Classification},
author = {Philip Sellars and Angelica I. Aviles-Rivero and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2106.04527},
year = {2022}
}
备注
https://ieeexplore.ieee.org/document/9900300