通过代表性和多样化样本选择增强半监督学习
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨了主动学习和半监督学习在深度学习中的应用，提出了多种提高模型性能和训练效率的方法，包括基于后验熵的主动集合选择、样本自适应增强（SAA）和无监督选择性标注。这些方法在处理未标记数据和噪声标签时表现出色，显著提升了模型的准确性和鲁棒性。
❓
Q&A
什么是主动学习和半监督学习的结合？
主动学习和半监督学习的结合可以在有限标记数据的真实世界应用中提供鲁棒的学习方法，利用未标记数据来改善模型性能。
样本自适应增强（SAA）如何提高模型准确性？
样本自适应增强（SAA）通过样本选择和增强模块显著提高FixMatch和FlexMatch模型的准确性。
ProMix框架的主要优势是什么？
ProMix框架通过高置信度匹配选择技术，最大限度地提高干净样本的效用，实验结果优于最佳基线方法。
如何利用聚类原型进行无监督选择性标注？
基于聚类原型的无监督选择性标注方法能够在没有标记数据的情况下选择代表性和多样性数据，从而提高半监督学习效率。
数据选择在深度学习中的重要性是什么？
数据选择可以非常有效，某些情况下甚至可以超越在整个样本上进行训练的效果，从而提升模型的准确性和鲁棒性。
如何解决学习有噪声标签时的训练偏见问题？
通过CLIP模型的协作样本选择及预训练，结合对prompt的微调，可以解决样本选择错误导致的训练偏见问题。
🏷️
