基于贝叶斯置信传播神经网络的半监督学习
机器学习
2021-06-30 v1 神经与进化计算
摘要
利用无标签或少量标签的数据学习内部表示对机器学习研究很有用，因为它允许使用海量未标注数据。在这项工作中，我们使用作为生物学上合理的皮层模型而开发的贝叶斯置信传播神经网络（BCPNN）模型。近期工作表明，这些网络可以使用局部贝叶斯-赫布学习规则从数据中学习有用的内部表示。在这项工作中，我们展示了如何通过引入并比较不同分类器，在半监督设置中利用此类表示。我们还评估并比较了此类网络与其他流行的半监督分类器。
引用
@article{arxiv.2106.15546,
title = {Semi-supervised learning with Bayesian Confidence Propagation Neural Network},
author = {Naresh Balaji Ravichandran and Anders Lansner and Pawel Herman},
journal= {arXiv preprint arXiv:2106.15546},
year = {2021}
}