通过解耦与随机潜空间上的自集成进行半监督学习
机器学习
2019-07-24 v1 机器学习
摘要
深度学习在医学影像中的成功大多以大量标注数据集为代价。半监督学习（SSL）通过利用未标注数据的结构来改进从小规模标注数据中的学习，提供了一种有前景的解决方案。自集成是SSL中一种简单的方法，用于鼓励对未知标签的集成预测达成共识，通过使模型对潜空间更不敏感来提升泛化能力。目前，此类集成通过随机化（如dropout正则化和随机数据增强）获得。在本工作中，我们从泛化角度假设——自集成可通过利用解耦潜空间的随机性得以改进。为此，我们提出了一种堆叠式SSL模型，该模型利用无监督解耦表示学习作为自集成的随机嵌入。我们使用胸部X射线图像对所述模型进行多标签分类评估，展示了其相对于相关SSL模型的性能提升以及其解耦表示的可解释性。
引用
@article{arxiv.1907.09607,
title = {Semi-Supervised Learning by Disentangling and Self-Ensembling Over Stochastic Latent Space},
author = {Prashnna Kumar Gyawali and Zhiyuan Li and Sandesh Ghimire and Linwei Wang},
journal= {arXiv preprint arXiv:1907.09607},
year = {2019}
}