графовые методыразделение по областям низкой плотностиполуобучениетрансдукциянеразмеченные данные
Figures from the paper
Abstract (AI)
Всесторонний обзор области машинного обучения, связанной с использованием неразмеченных данных в задачах классификации: современные алгоритмы, таксономия области, приложения, эталонные эксперименты и направления дальнейших исследований. В области машинного обучения полуобучение (semi-supervised learning, SSL) занимает промежуточное положение между обучением с учителем, при котором все обучающие примеры имеют метки, и обучением без учителя, при котором метки отсутствуют. В последние годы интерес к SSL возрос, особенно в связи с прикладными областями, где имеется большое количество неразмеченных данных, такими как изображения, тексты и биоинформатика. В этом первом всестороннем обзоре SSL представлены современные алгоритмы, таксономия области, избранные приложения, эталонные эксперименты и перспективы текущих и будущих исследований. В книге сначала рассматриваются основные предпосылки и идеи, лежащие в основе этой области: гладкость, кластерное разделение или разделение по областям низкой плотности, многообразная структура и трансдукция. Основная часть книги посвящена методам SSL, организованным в соответствии с алгоритмическими стратегиями. После рассмотрения генеративных моделей в книге описываются алгоритмы, реализующие предпосылку разделения по областям низкой плотности, графовые методы и алгоритмы двухэтапного обучения. Далее обсуждаются приложения SSL и приводятся рекомендации для специалистов по SSL на основе анализа результатов обширных эталонных экспериментов. Наконец, рассматриваются перспективные направления исследований SSL. Книга завершается обсуждением взаимосвязи между полуобучением и трансдукцией.
Key Findings
1
Применения в анализе изображений, текста и биоинформатике стимулируют развитие SSL благодаря большому объёму неразмеченных данных.
2
Обширные сравнительные эксперименты позволяют сформулировать практические рекомендации, определить направления дальнейших исследований и прояснить связь SSL с трансдукцией.
3
Методы SSL классифицируются по алгоритмическим стратегиям, включая генеративные модели, методы низкоплотностного разделения, графовые подходы и двухэтапное обучение.
4
Полуконтролируемое обучение использует неразмеченные данные вместе с размеченными, занимая промежуточное положение между контролируемым и неконтролируемым обучением.
5
Основные предпосылки области включают гладкость, кластерное или низкоплотностное разделение, многообразную структуру и трансдукцию.
Research Object
Методы и алгоритмы полунаблюдаемого обучения для задач классификации с использованием как размеченных, так и неразмеченных данных
Research Subject
современные алгоритмы, лежащие в основе предположения, таксономия, приложения, результаты сравнительных экспериментов и направления дальнейших исследований
Publication Details
Publication Date
2006-09-22
Journal
Publisher
ISSN
Cited by
4431
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Gapped BLAST и PSI-BLAST: новое поколение программ поиска по базам данных белков1997
Статистическая теория обучения1999
Нейронные сети для распознавания образов1995
Аддитивная логистическая регрессия: статистический взгляд на бустинг (с обсуждением и ответом авторов)2000
Распознавание образов и нейронные сети1996
Нейронные сети и дилемма смещения/дисперсии1992
Работы, цитирующие эту статью9
Модель графовой нейронной сети2008
Обзор обучения с полуучителем2019
К стремлению к обучению причинных представлений2021
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
Машинное обучение и искусственный интеллект в квантовой области: обзор последних достижений2018
Дискретная обработка сигналов на графах: частотный анализ2014
Потенциал, проблемы и перспективные направления применения глубокого обучения в задачах прогнозирования и управления техническим состоянием2020
Достижения и проблемы машинного обучения: всесторонний обзор моделей, библиотек, приложений и алгоритмов2023
Машинное обучение и моделирование: проблемы данных, валидации и коммуникации2018