یادگیری نیمه نظارت شده

یادگیری نیمه نظارتی

یادگیری نیمه نظارت شده به استفاده از داده های برچسب دار و بدون برچسب در یادگیری ماشین اشاره دارد. هنگامی که مقادیر محدودی از داده های آموزشی برچسب گذاری شده در دسترس باشد، اغلب برای افزایش عملکرد استفاده می شود. در برخی موارد، نتایج رقابتی با یادگیری کاملاً نظارت شده با استفاده از داده‌های دارای برچسب کمتر به دست آمده است [1]. برچسب گذاری کاذب [2] رویکردی برای یادگیری نیمه نظارتی است که برخی از پیش بینی های خود مدل را به عنوان حقیقت پایه برای آموزش در نظر می گیرد. این فرآیند ماهیت تکراری دارد و بین آموزش و تولید شبه برچسب متناوب است. تعدادی از تغییرات در برچسب شبه وجود دارد. به عنوان مثال، Iscen و همکاران. [3] اخیراً انتشار برچسب انتقالی را به عنوان راهی برای تولید شبه برچسب ها پیشنهاد کرده است. خود برچسب گذاری شبه گونه ای از خودآموزی است که برای استفاده در شبکه های عصبی عمیق اقتباس شده است. خودآموزی، که گاهی اوقات به عنوان بوت استرپینگ شناخته می شود، یکی از اولین رویکردها برای یادگیری نیمه نظارتی است [4]. خودآموزی و شبه برچسب گذاری وجه مشترک استفاده از مدل موجود برای تولید خودکار داده های آموزشی اضافی است. با این حال، روش های انتخاب و نگهداری برچسب متفاوت است. در این کار، ما تنوع خودمان از شبه برچسب‌گذاری را ارائه می‌کنیم که به طور خاص برای پردازش ابری نقطه‌ای هدف‌گذاری شده است. برچسب گذاری شبه بر سایر روش های یادگیری نیمه نظارتی به دلیل سادگی و سازگاری آن انتخاب شد. این یک الگوریتم بسته بندی است که می تواند تقریباً در اطراف هر طبقه بندی کننده پایه استفاده شود، و مفهوم اصلی آن ذاتاً متکی به مفروضاتی نیست که معمولاً در یادگیری نیمه نظارتی استفاده می شوند (خوشه ای، صافی، جداسازی چگالی کم و مفروضات چندگانه) [4]. در عوض، مفروضات با انتخاب در طبقه‌بندی‌کننده پایه و معیارهای انتخاب برچسب تحمیل می‌شوند.

برای دانلود پروژه نمونه، شبه برچسب گذاری معنایی برای خوشه بندی تصویر، به همراه شبیه سازی، اینجا کلیک کنید.

منابع

Oliver A, Odena A, Raffel CA, Cubuk ED, Goodfellow I (2018) Realistic evaluation of deep semi-supervised learning algorithms In: Advances in Neural Information Processing Systems, 3235–3246.. Curran Associates, Inc, NY.

Google Scholar 

Lee D (2013) Pseudo-label : the simple and efficient semi-supervised learning method for deep neural networks In: ICML 2013 Workshop : Challenges in Representation Learning (WREPL). Workshop on challenges in representation learning, ICML. Vol. 3. No. 2. 2013.

Iscen A, Tolias G, Avrithis Y, Chum O (2019) Label propagation for deep semi-supervised learning In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 5070–5079. https://doi.org/10.1109/cvpr.2019.00521.

Chapelle O, Schlkopf B, Zien A (2010) Semi-supervised learning. 1st edn.. The MIT Press, Cambridge.

پروژه مشابه دارید؟

برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.

اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.

سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.

 09392265610

نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.

از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.