Войти
аналитика - 半監督學習
基於 Copula 迴歸和模型平均的半監督學習
本研究提出了一種基於 Copula 迴歸和模型平均的半監督學習方法，有效利用未標記數據提升預測準確性，並在理論和模擬實驗中驗證了方法的有效性。
策略性抽樣和監督策略對半監督學習的影響：全面分析
在半監督學習中，選擇最具代表性的未標記樣本進行標記，並配合有效的監督策略，可以顯著提高模型的性能，尤其是在標記數據極度缺乏的情況下。
針對少量標註樣本的主動式自我半監督學習
在標註樣本有限的情況下，本文提出了一種名為主動式自我半監督學習 (AS3L) 的框架，透過利用自我監督預訓練的知識來引導半監督學習過程，從而提升模型效能。
統一對比損失用於自我訓練
提出一個統一的對比損失框架,可以同時處理有標籤、偽標籤和無標籤的數據,並顯著提升半監督學習的性能。
Продукты
© 2024 by Linnk AI