준지도 학습에서 레이블링된 데이터의 품질과 대표성은 매우 중요하며, 레이블링을 위해 선택된 샘플과 레이블 데이터를 활용하는 방식이 모델 성능에 큰 영향을 미친다.
이 논문에서는 대규모 그래프에서 그린 함수 방법의 불안정성을 분석하고 최적화 관점에서 개선된 방법을 제안하여 그린 함수 방법의 효율성과 정확성을 향상시켰습니다.
본 논문에서는 제한된 레이블 데이터를 사용하여 변화 감지 성능을 향상시키기 위해 시각-언어 모델(VLM)을 활용한 새로운 준지도 학습 기반 변화 감지 방법론인 SemiCD-VL을 제안합니다.
이 논문에서는 제한된 레이블 데이터를 최대한 활용하여 소량 샘플 인스턴스 분할 성능을 향상시키는 SemInst라는 새로운 솔루션을 제안합니다.
SemiEvol이라는 새로운 준지도 학습 프레임워크를 통해 제한된 레이블 데이터와 풍부한 레이블 없는 데이터를 효과적으로 활용하여 대규모 언어 모델(LLM)을 특정 작업이나 도메인에 효율적으로 적응시키는 방법을 제시합니다.
SemSim이라는 새로운 준지도 학습 프레임워크는 레이블링된 데이터가 제한적인 의료 영상 분할 작업에서 의미적 유사성을 활용하여 기존 방법들의 한계를 극복하고 성능을 향상시킵니다.
본 연구는 딥러닝 기반 감성 분석 작업에서 라벨링된 데이터의 양을 줄이고 레이블 전파 기법을 활용하여 모델 성능을 향상시키는 방법을 제시합니다.
FixMatch와 같은 준지도 학습(SSL) 알고리즘은 지도 학습(SL)에 비해 딥러닝에서 뛰어난 일반화 성능을 보이는데, 그 이유는 각 클래스의 모든 의미적 특징을 학습하기 때문이다.
본 논문에서는 레이블이 지정되지 않은 데이터가 풍부한 상황에서 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터 간의 관계가 노이즈가 있는 경우에도 효과적으로 혼합 전문가 모델을 학습하는 새로운 준지도 학습 방법을 제안합니다.
레이블이 지정된 데이터가 부족한 무선 시스템 환경에서 교차 예측 기반 추론(CPPI)과 같은 준지도 학습 기법을 활용하면 머신러닝 모델의 성능을 향상시킬 수 있다.