用于改进深度网络学习的转导式标签增强

深度学习应用于实际问题的重大障碍是标注数据的稀缺。事实上，小型训练集对深度网络毫无用处，因为由于大量可训练参数，它们极有可能出现过拟合现象。另一方面，通过进一步手动或半自动标注来扩充训练集规模可能代价高昂，有时甚至不可行。因此，解决该问题的标准技术是迁移学习和数据增强，后者包括对现有标注样本施加某种“变换”以使训练集规模增长。尽管这种方法在图像分类等应用中效果良好（设计合适的变换算子相对简单），但在更结构化的场景中如何应用并不明显。受几乎在所有应用领域中均易获得无标注数据这一观察的启发，本文采取不同视角并提出一种\emph{标签增强}方法。我们从一个小型、精心筛选的标注数据集出发，利用图转导技术让标签在一 larger 无标注数据集上传播。这使我们能自然利用数据中存在的（二阶）相似性信息，而这是标准增强技术通常忽视的信息源。特别地，我们展示通过使用已知的博弈论转导过程，可以创建更大且足够准确的标注数据集，从而训练出更好的神经网络。本文报告了初步实验，证明相对于标准图像分类数据集有一致改进。