Semi-Supervised Learning

در این مقاله به مسئله انتخاب الگوریتم مناسب یادگیری نیمه نظارتی بر اساس اعتبارسنجی فرضیاتی که الگوریتم بر آن ها استوار است برای مجموعه داده خاص می پردازیم. همچنین در حوزه یادگیری نیمه هوشمند (SSL) رویکرد متداول شامل آموزش یک مدل با مقدار محدودی از داده های برچسب دار به همراه حجم قابل توجهی از داده های بدون برچسب که هر دو از توزیع زیرین یکسان انتخاب میشوند ارائه می دهیم. ما یک دیدگاه جایگزین پیشنهاد می کنیم که نشان می دهد توزیع هایی که به راحتی قابل تفکیک هستند می توانند مزایای برتری را برای مدل در مقایسه با توزیع اصلی ارائه دهند. برای دستیابی به این هدف، ما PruneSSL را معرفی می کنیم. و همچنین روش های یادگیری مبتنی بر گراف در آخرین دستاورد ها برای طبق بندی تصاویر فراطیفی (HSI) را ارائه می دهیم.

کلیدواژه ها:

یادگیری نیمه نظارتی ، فرضیات یادگیری نیمه نظارتی ، روش های یادگیری مبتنی بر گراف