通过最优传输匹配分布的半监督学习
计算机视觉与模式识别
2021-10-25 v2 机器学习
摘要
半监督学习(Semi-Supervised Learning, SSL)方法在训练过程中标记数据不足时,已成为利用未标记数据的重要框架。基于卷积神经网络(Convolutional Neural Networks, CNNs)的 SSL 方法近期在图像分类等标准基准任务上取得了成功结果。本工作中,我们考虑 SSL 问题的一般设定,其中标记与未标记数据来自相同的底层概率分布。我们提出一种新方法,采用最优传输(Optimal Transport, OT)技术作为离散经验概率测度间相似性度量,为未标记数据提供伪标签,随后这些伪标签可与初始标记数据结合,以 SSL 方式训练 CNN 模型。我们在标准数据集上将所提方法与最先进的(state-of-the-art, SOTA)SSL 算法进行了评估与比较,以证明我们 SSL 算法的优越性与有效性。
引用
@article{arxiv.2012.03790,
title = {Matching Distributions via Optimal Transport for Semi-Supervised Learning},
author = {Fariborz Taherkhani and Hadi Kazemi and Ali Dabouei and Jeremy Dawson and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2012.03790},
year = {2021}
}