Обзор обучения с полуучителем
A survey on semi-supervised learning
2019-11-15
SCID: 54.1/xbv283wz
Discuss with AI
модели на основе нейронных сетейполуконтролируемая классификацияпредположение полуконтролируемой кластеризацииполуконтролируемое обучениенеразмеченные данные
Figures from the paper
Abstract (AI)
Обучение с полуучителем — это раздел машинного обучения, посвящённый использованию как размеченных, так и неразмеченных данных для выполнения определённых задач обучения. Концептуально находясь между обучением с учителем и обучением без учителя, оно позволяет использовать большие объёмы неразмеченных данных, доступных во многих прикладных задачах, в сочетании с обычно меньшими наборами размеченных данных. В последние годы исследования в этой области следовали общим тенденциям, наблюдаемым в машинном обучении, при этом значительное внимание уделялось моделям на основе нейронных сетей и генеративному обучению. Объём и тематический охват литературы по данной теме также расширились; теперь она включает широкий спектр теоретических положений, алгоритмов и приложений. Однако современных обзорных работ, предназначенных для систематизации и организации этих знаний, не существует, что затрудняет их использование исследователями и инженерами. Восполняя этот пробел, мы представляем актуальный обзор методов обучения с полуучителем, охватывающий как более ранние работы, так и недавние достижения. Основное внимание уделено классификации с полуучителем, в которой сосредоточена значительная часть исследований обучения с полуучителем. Наш обзор призван дать новым исследователям и практикам, а также более опытным читателям целостное представление об основных подходах и алгоритмах, разработанных за последние два десятилетия, с акцентом на наиболее заметные и актуальные в настоящее время работы. Кроме того, мы предлагаем новую таксономию алгоритмов классификации с полуучителем, которая проясняет различные концептуальные и методологические подходы к включению неразмеченных данных в процесс обучения. Наконец, мы показываем, что фундаментальные предположения, лежащие в основе большинства алгоритмов обучения с полуучителем, тесно связаны между собой и соотносятся с хорошо известным предположением кластеризации с полуучителем.
Key Findings
1
Основное внимание уделено полуобучаемой классификации, на которую приходится большинство исследований в этой области, и систематизированы значимые методы последних двух десятилетий.
2
Показано, что фундаментальные предположения многих алгоритмов полуобучения тесно взаимосвязаны и соотносятся с известным предположением полуобучаемой кластеризации.
3
Предложена новая таксономия алгоритмов полуобучаемой классификации, основанная на концептуальных и методологических способах использования неразмеченных данных.
4
Обзор восполняет недостаток современных комплексных исследований и направлен на повышение доступности знаний о полуобучении для исследователей и практиков.
5
В обзоре представлен актуальный анализ методов полуобучения, охватывающий фундаментальные работы и последние достижения в теории, алгоритмах и приложениях.
Research Object
методы полуобучаемого обучения, прежде всего алгоритмы полуобучаемой классификации
Research Subject
концептуальные и методологические подходы, базовые предположения и таксономия интеграции неразмеченных данных в процесс обучения
Publication Details
Publication Date
2019-11-15
Journal
Publisher
ISSN
Cited by
2666
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Scikit-learn: машинное обучение на Python2012
XGBoost2016
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Статистическая теория обучения1999
Обучение нескольких слоев признаков на маленьких изображениях2024
Распознавание образов и машинное обучение2007
Интригующие свойства нейронных сетей2013
mixup: За пределами эмпирической минимизации риска2017
Полуобучение2006
Коллективная классификация в сетевых данных2008
Работы, цитирующие эту статью10
Аналитика больших данных на основе искусственного интеллекта для систем автоматизации и управления зданиями: обзор, актуальные проблемы и перспективы развития2022
Применение обработки естественного языка для выявления психических расстройств: нарративный обзор2022
Классификация гиперспектральных изображений — от традиционных методов к глубоким моделям: обзор и перспективы2021
Эффективное ускорение вывода моделей глубокого обучения на периферийных устройствах с ограниченными ресурсами: обзор2022
Обзор алгоритмов с экономным использованием данных в эпоху больших данных2021
Расширение организационного принятия решений с помощью алгоритмов глубокого обучения: принципы, перспективы и проблемы2020
Глубокое обучение для автоматического распознавания промышленных поверхностных дефектов на основе машинного зрения: обзор2023
Анализ методов искусственного интеллекта для обнаружения аномалий в видео с камер наблюдения: всесторонний обзор2023
Глубокое распознавание эмоций в речи между корпусами: современные достижения и перспективы2021
Диагностика аккумуляторных батарей в реальных условиях на основе искусственного интеллекта2024