Полуобучение

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.