BriefGPT - AI 论文速递
·
利用集成多样性增强自训练在样本选择偏差存在时的鲁棒性
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出T-相似度作为一种新的置信度度量方法，用于解决自训练中置信度过高的问题。该方法基于线性分类器集合的预测多样性，并在不同数据模态的分类数据集上进行了实验验证。
🎯
关键要点
-
T-相似度是一种新的置信度度量方法，用于解决自训练中的置信度过高问题。
-
该方法基于线性分类器集合的预测多样性。
-
自训练是半监督学习中的一种常用方法，通过为未标记数据分配伪标签来迭代训练模型。
-
本文通过理论分析和实证研究验证了T-相似度在不同数据模态分类数据集上的有效性。
-
实验中对三种不同的伪标签策略进行了测试。
➡️
