知识卡片
未标注数据需揭示结构
半监督学习用未标注数据的分布改进少量标签确定的分类边界。聚类假设倾向于让同簇样本同类,流形假设倾向于让沿低维结构相近的样本同类。错误伪标签可能在反复训练中被放大。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第4章 智能驾驶的环境感知 4.1 概述 · 查看原书依据
所有的未标注样本都可以被利用,只有能够帮助已标注样本揭示数据分布规律的未标注样本才能起到作用。半监督学习思想源于自学习(Self-Learning)方法。自学习方法首先通过标注样本训练学习器
参考来源
- 位置:《人工智能:智能驾驶》第4章 智能驾驶的环境感知,4.1 概述(book-source:extracted/人工智能:智能驾驶/_epub-src/OEBPS/Text/chapter7.xhtml#A8bc50044-f6c4-448a-b57b-ec7babfed2a2)
- 结论依据:半监督学习小节同时讨论分布假设和自学习迭代中的错标风险。
- 原始内容:所有的未标注样本都可以被利用,只有能够帮助已标注样本揭示数据分布规律的未标注样本才能起到作用。半监督学习思想源于自学习(Self-Learning)方法。自学习方法首先通过标注样本训练学习器