由多尺度深度神经网络反演赋能的半监督学习
机器学习
2018-03-01 v1 机器学习
摘要
深度神经网络（DNNs）在若干困难的机器感知任务中提供了最先进的解决方案。然而，其性能依赖于大量标注训练数据的可用性，这限制了其适用广度。因此，需要面向 DNN 的新的{\em 半监督学习}方法，能够同时利用（少量的）标注与未标注训练数据。本文中，我们开发了一个通用损失函数，使任意拓扑的 DNN 都能以半监督方式训练而无需额外超参数。与当前基于拓扑特定或不稳定方法的半监督技术不同，我们的方法既鲁棒又通用。我们证明，我们的方法在 SVHN（ 测试误差，使用 个标签与 wide Resnet）和 CIFAR10（16.38% 测试误差，使用 8000 个标签与 sigmoid 卷积神经网络）数据集上达到了 SOTA 性能。
引用
@article{arxiv.1802.10172,
title = {Semi-Supervised Learning Enabled by Multiscale Deep Neural Network Inversion},
author = {Randall Balestriero and Herve Glotin and Richard Baraniuk},
journal= {arXiv preprint arXiv:1802.10172},
year = {2018}
}