一个强大的半监督的广泛学习系统,以合奏为基础的自我训练为指导
IEEE transactions on cybernetics
|May 20, 2024
概括
本研究介绍了一种基于集体的自我训练方法,用于广泛学习系统 (BLS),以改善半监督学习. 新方法提高了准确性和适应性,特别是在不平衡或漂移数据的情况下,优于现有技术.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 广泛学习系统 (BLS) 中的半监督学习旨在减少对标签的依赖.
- 现有的自我训练方法与不平衡的数据和概念漂移作斗争.
研究的目的:
- 提出一个强大的半监督的BLS,使用集体式自训 (ESTSS-BLS).
- 解决当前处理不平衡数据和概念漂移的方法的局限性.
主要方法:
- 基于合奏的自我训练使用多个BLS来确定伪标签,以提高可靠性.
- 标签纯度指标确保了辅助培训数据的可信性.
- 数据驱动的动态节点机制调整网络结构以减轻概念漂移.
主要成果:
- 在准确性,精度,回忆,F1分数和AUC方面,ESTSS-BLS表现优于现有方法.
- 在仅有0.1%标记数据的情况下,在MNIST上获得了87.84%的准确性.
- 在NORB上使用仅2%的标记数据匹配完全监督的性能.
- 在医学和生物数据集上表现稳定.
结论:
- ESTSS-BLS为半监督学习提供了强大而适应性的解决方案,特别是在具有挑战性的数据场景中.
- 该方法显著减少了对标记数据的需求,同时保持了高精度.
- ESTSS-BLS在各种数据集,包括复杂的医疗和生物数据中被证明是有效的.
