半监督学习中基于间隔损失的下界极限与可能性
机器学习
2019-01-09 v3 机器学习
摘要
考虑一个同时拥有已标注和未标注数据的分类问题。我们表明，对于由递减的凸基于间隔的替代损失所定义的线性分类器，不可能构造出任何半监督方法，能够保证在该已标注和未标注数据上以此替代损失度量时优于监督分类器。对于同时递增的凸基于间隔的损失函数，我们证明了安全的改进是可能的。
引用
@article{arxiv.1612.08875,
title = {The Pessimistic Limits and Possibilities of Margin-based Losses in Semi-supervised Learning},
author = {Jesse H. Krijthe and Marco Loog},
journal= {arXiv preprint arXiv:1612.08875},
year = {2019}
}
备注
32nd Conference on Neural Information Processing Systems (NeurIPS 2018), Montreal, Canada