适度监督学习:定义、框架与通用性
计算机视觉与模式识别
2024-02-12 v6 机器学习
图像与视频处理
摘要
监督学习已在众多人工智能(AI)应用中取得显著成功。在当前文献中,通过参照为训练数据集所准备标签的性质,监督学习被归类为监督学习(SL)与弱监督学习(WSL)。SL 关注训练数据集被赋予理想(完整、精确且准确)标签的情况,而 WSL 关注训练数据集被赋予非理想(不完整、不精确或不准确)标签的情况。然而,针对 SL 任务的各种解决方案表明,给定标签并非总易于学习,且从给定标签到易学目标的转换会显著影响最终 SL 解决方案的性能。在不考虑从给定标签到易学目标的转换性质的情况下,SL 的定义掩盖了一些对构建特定 SL 任务的恰当解决方案至关重要的细节。因此,对于 AI 应用领域的工程师而言,系统地揭示这些细节是可取的。本文试图通过扩展 SL 的分类并研究子类型适度监督学习(MSL)来实现这一目标,MSL 关注给定标签理想,但由于标注简便,需要精心设计以将给定标签转换为易学目标的情况。我们从定义、框架与通用性角度,将 MSL 概念化,以呈现系统分析 MSL 任务的完整基础。同时,通过揭示 MSL 概念化与数学家视角之间的关系,本文也为 AI 应用工程师建立了一个教程,以参照数学家的视角看待待解决问题。
引用
@article{arxiv.2008.11945,
title = {Moderately Supervised Learning: Definition, Framework and Generality},
author = {Yongquan Yang},
journal= {arXiv preprint arXiv:2008.11945},
year = {2024}
}
备注
This is the final published version (33 pages)