神经混沌学习算法的自训练
机器学习
2026-03-31 v1
摘要
在诸多实际应用场景中，获取大量标记数据具有较高成本，而未标记数据 readily 可得。常规监督学习方法在标记数据稀少或数据集不平衡的场景下常表现不佳。本研究引入一种混合半监督学习（SSL）架构，将神经混沌学习（Neurochaos Learning, NL）与基于阈值的自训练（Self-Training, ST）方法相结合，以克服标记数据不足的限制。NL 架构将输入特征转换为基于混沌的环率表示，从而封装数据中非线性关系，而 ST 则通过高置信度的伪标记样本逐步扩大标记集合。该模型在十个基准数据集和五个机器学习分类器上进行评估，其中 85% 的训练数据视为未标记，仅 15% 用于标记。提出的自训练神经混沌学习（NL+ST）架构在与单独的 ST 模型相比时始终实现了性能提升，尤其是在标记数据有限、非线性且不平衡的数据集上表现突出，如鸢尾花（Iris，提升 188.66%）、葡萄酒（Wine，提升 158.58%）和玻璃识别（Glass Identification，提升 110.48%）。结果表明，使用基于混沌的特征提取与 SSL 方法可提高低数据情境下的泛化能力、鲁棒性和分类准确率。
引用
@article{arxiv.2601.01146,
title = {Self-Training the Neurochaos Learning Algorithm},
author = {Anusree M and Akhila Henry and Pramod P Nair},
journal= {arXiv preprint arXiv:2601.01146},
year = {2026}
}