BriefGPT - AI 论文速递
·
通过理论上保证的切比雪夫约束生成无偏伪标签 以统一半监督分类和回归
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于半监督学习的伪标记方法，通过迭代训练模型，取得了与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。在CIFAR-10数据集上，仅使用了4,000个标记样本，达到了94.91%的准确率，在Imagenet-ILSVRC数据集上，仅使用了10%的标记样本，达到了68.87%的top-1准确率。
🎯
关键要点
- 提出了一种基于半监督学习的伪标记方法。
- 通过迭代训练模型，取得了与现有最先进方法相媲美甚至更好的结果。
- 该方法更能抵御未知分布样本。
- 在CIFAR-10数据集上，仅使用了4,000个标记样本，达到了94.91%的准确率。
- 在Imagenet-ILSVRC数据集上，仅使用了10%的标记样本，达到了68.87%的top-1准确率。
- 采用学习课程原理和在每个自我训练周期前重启模型参数是实现成功的关键因素。
➡️
