最近一直在看半监督在高光谱图像分类上的应用，打算写一个系列，把一些经典的效果好的论文总结梳理一下，当作一个督促。一. 半监督大体分成五种方法① Generative model 缺点：生成模型是基于严格的假设构建的，例如，训练样本应遵循高斯分布或其他分布②Self-trainingSelf-Training的做法如下：用已标注数据集A训练一个分类模型M用该模型对未标记数据集B进行预测将预
转载
2023-11-20 05:57:32
92阅读
半监督支持向量机（S3VMs） 今天我们主要介绍SVM分类器以及它的半监督形式S3VM，到这里我们关于半监督学习基础算法的介绍暂时告一段落了。之后小编还会以论文分享的形式介绍一些比较新的半监督学习算法。让我们开始今天的学习吧~引入 支持向量机（SVM）相信大家并不陌生吧？但是如果数据集中有大量无标签数据（如下图b），那么决策边界应该如何去确定呢？仅使用有标签数据学得的决策边界（如下图a）将穿过
转载
2023-11-16 17:30:46
119阅读
文章目录1 背景1.1 基本背景介绍1.2 基本假设2 问题描述2.1 主动学习与半监督学习【使用了未标记数据的学习划分为两种】3 方法介绍3.1 混合模型与EM算法（最大期望算法）3.1.1 GMM的引入单高斯模型（GSM）3.1.2 Gaussian mixture model(GMM)【生成式模型】3.1.3 估计单高斯分布的
转载
2023-12-04 16:46:51
380阅读
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
275阅读
监督、半监督、无监督、自监督学习方法之间的区别概念辨别监督学习（Supervised Learning）：利用大量的标注数据来训练模型，模型最终学习到输入和输出标签之间的相关性；半监督学习（Semi-supervised Learning）：利用少量有标签的数据和大量无标签的数据来训练网络；无监督学习（Unsupervised Learning）：不依赖任何标签值，通过对数据内在特征的挖掘，找到样
转载
2023-10-12 16:04:28
109阅读
# 如何实现 Python 半监督学习
半监督学习是介于监督学习和无监督学习之间的学习方法，适合于有少量标记数据和大量未标记数据的场景。本文将为你详细介绍如何在 Python 中实现半监督学习的方法和步骤。
## 整体流程
下面是实现半监督学习的整体步骤：
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 准备数据集 |
| 2 | 数据预处理 |
| 3
原创
2024-10-19 04:48:37
38阅读
文章目录1.假设2. 自学习算法3.多视角学习3.1 协同训练（co-training)3.2 多视角学习4. 生成模型生成模型的例子4.2 GMM高斯混合模型4.2.1 EM算法用于GMM4.2.2减小风险的启发式4.3 聚类标签法（cluster-and-label)5. S3VMs=TSVM5.2 学习算法
转载
2024-03-01 21:48:25
150阅读
1、生成模型算法（Generate semi-supervised models）思想如下：假设一个模型，其分布满足：p(x ,y)=p(y) p(x | y)。其中，p(x | y)是已知的条件概率分布。那么大量未经标记数据的联合分布就可以被确定。生成模型算法的流程图如下。半监督学习方法可以对同时含有已标记的和未标记的数据集进行聚类，然后通过聚类结果中，每一类中所含有的任何一个已标记数据实例来确
转载
2024-05-06 22:05:16
96阅读
经典网络笔记(pytorch)一. 深度学习基本知识1.1 深度学习分类深度学习分为监督学习,无监督学习，半监督学习和强化学习。其中监督学习是通过已有的训练样本去训练得到一个最优的模型，这个模型会将所有的输入映射为输出。无监督学习他与监督学习是完全不同的两个东西，它是在我们之前没有任何的训练样本，而直接对数据进行建模分类。半监督学习是在训练过程中结合了大量大量的未标记的数据和少量的标记数据，和使用
转载
2023-10-20 17:15:59
79阅读
Semi-Supervised Learning半监督学习（二） 介绍 在上篇文章中我们介绍了关于统计机器学习和半监督学习的一些基本概念。在这篇文章中，我们仍着重带读者更深入地了解半监督学习基础，了解半监督学习的常用方法，模型假设，并且通过实例带读者去理解半监督学习的过程。难度依然较基础，但是相信读完这篇文章，你会对半监督学习是什么有完整的把握。半监督学习方
转载
2023-07-04 20:26:50
300阅读
机器学习之监督学习-回归一、机器学习算法分类有监督学习：分类回归半监督学习：分类回归无监督学习：聚类降维强化学习：马尔可夫决策过程动态规划参考网址：http://qing0991.blog.51cto.com/1640542/1851981二、线性回归一个案例：对连续型数据做出的预测属于回归问题。例如人们买房的时候，在知道房屋面积 和卧室的数量 的情况下，怎么推测得知房屋的价格 呢。通过一组
转载
2024-03-31 08:38:51
59阅读
Semi-Supervised Learning半监督学习（三） 方法介绍 Mixture Models & EM 无标签数据告诉我们所有类的实例混和在一起是如何分布的，如果我
转载
2024-07-29 22:14:17
40阅读
编者荐语文章整理了作者近期阅读的一些半监督目标检测（Semi-Supervised Object Detection，SSOD）文章，感觉总结的很不错，特分享给大家，希望对同学们有一定的帮助。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，我们查看一下目标
转载
2023-12-19 09:27:59
53阅读
1、监督学习（supervised learning）训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签，即生成合适的函数将输入映射到输出。2、无监督学习（unsupervised learning）训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数
转载
2024-06-15 19:06:38
121阅读
论文题目 《图学习卷积神经网络的半监督学习》 1.引言 在本文中，我们针对半监督学习问题提出了一种新颖的图学习卷积网络（GLCN）。 GLCN的主要思想是通过在统一的网络体系结构中同时集成图学习和图卷积来学习一种最能为半监督学习服务的模型。 主要贡献： 1.在GLCN中，既定的标签和估计的标签都被合并，因此可以提供有用的“弱”监督信息来细化（或学习）图的构造，并有助于在CNN中进行图卷积操作以进行
转载
2024-01-12 15:20:45
91阅读
监督（supervised）= 标签（label），是否有监督，就是输入数据（input）是否有标签，有标签则为有监督学习，没标签则为无监督学习。至于半监督学习，就是一半（一点点）数据有标签，一半（极其巨大）数据没标签。——简单一句话答案。首先从学习（learn）这个概念开始解释，所谓学习，就是闻一知十。（正经回答在最后）例如学数学，小学老师会先给大量训练，让人学会解题方法。之后面对考试的时候出现
转载
2023-12-23 20:10:03
226阅读
1、几种监督方式（待完善） 监督，无监督，半监督，弱监督，多示例，迁移学习！ 监督学习：多是分类问题，数据与标记有一一对应的关系 半监督学习：大量未标记数据和少量标签数据， 弱监督学习：不完全监督：只有一部分训练数据具备标签；不确切监督：训练数据只具备粗粒度标签；例如，在药物活性预测 [40] 的问题中，其目标是建立一个模型学习已知分子的知识，来预测一个新的分子是否适合制造一种特定药物。一个分子可
转载
2024-04-15 12:57:08
82阅读
文章目录半监督学习生成式方法半监督SVM基于分歧的方法图半监督学习半监督聚类 半监督学习 在真实应用场景中，训练样本集的数目通常会很大。但是都是未标记数据，特别是在一些跨领域行业中，比如医疗，工业。对样本的分析都需要专业人才，甚至高精尖的人才来确定标记。而这些人肯定是不可能给你长时间的打标记的。那么半监督学习就是想利用小部分的标记数据，再加上大量未标记样本来进行推理和判断。之前描述的监督学习和无
转载
2024-04-16 16:32:08
290阅读
半监督学习的算法分为如下几大类： 1.Self-training algorithm(自训练算法) 这个是最早提出的一种研究半监督学习的算法，也是一种最简单的半监督学习算法． 2.Multi-view algorithm(多视角算法) 一般多用于可以进行自然特征分裂的数据集中．考虑特殊情况（每个数据点表征两个特征）：每一个数据点看成是两个特征的集合，然后利用协同训练(Co-training al
转载
2023-10-20 08:29:04
112阅读
全监督学习（supervised learning） 训练数据都有完整和准确的标签，模型通过学习输入数据和标签之间的映射关系来完成特定的任务，例如分类、回归等。全监督学习需要大量的人工标注，但是可以获得较高的性能。无监督学习（unsupervised learning） 训练数据没有任何标签，模型通过学习数据本身的分布或结构来发现一些隐含的模式或特征，例如聚类、降维等。无监督学习不需要人工标注，但
转载
2024-03-07 10:26:25
104阅读
