---

Semi-supervised Learning

---

The distribution of the unlabeled data tell us something. Usually with some assumptions.

---

Semi-Supervised Generative Model

---

對比學習見 李宏毅機器學習課程４~~~分類：概率生成模型

EM算法思路來最大化似然函數。

---

Self-training

---

Self-training 是采用的Hard label, Semi-supervised learning是采用的soft label.

非黑即白的世界

定義新的目標函數，損失函數加上unlabel的熵，相當于加上正則化。

---

Smoothness Assumption

---

Deep Autoencoder 抽取Feature，然后進行聚類，這樣才有可能將unlabel 圖像聚類出好的結果。單純的對原始圖像的像素進行聚類，一般對圖像來說，都不是一個好的聚類結果。

Graph-based 定性構造：相似度采用高斯徑向基函數來度量。

Wij代表i與j的位置關系（距離）

Graph上的label的smoothness定量刻畫的簡寫

目標函數上加上smoothness項。

---

Better Representation

---

找到本質核心因素用來作為表示。

---

參考文獻

---

《Semi-Supervised Learning_Olivier Chapelle》

李宏毅機器學習課程４~~~分類：概率生成模型

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html

總結

以上是生活随笔為你收集整理的李宏毅机器学习课程12~~~半监督学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。