通过对抗攻击提高半监督学习的性能
原文中文,约300字,阅读约需1分钟。发表于: 。SCAR 是一种通用的框架,以对抗健壮性选择清洁样本,从而提高最近的半监督学习算法在图像分类方面的性能。通过对预训练模型进行对抗攻击,我们的框架成功地选择了高置信度的未标记数据以便与当前预测进行标记。在 CIFAR10 上,使用 SCAR 的三个最新的半监督学习算法大大提高了图像分类效果。
本研究介绍了Adversarial Self-Supervised Learning (ASSL)框架,通过邻居关系的探索和对抗学习来增强Semi-Supervised Learning。提出了一种有效的自我监督学习方案,以提高特征的识别能力,并使用对抗性规则化方法对标记和未标记样本的特征分布进行对齐。实验证实了该方法在3D动作识别的少标记情况下相对于半监督学习的最新方法具有优越性能。