BriefGPT - AI 论文速递
·
伪标签选择是一个决策问题
💡
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，取得了与现有最先进方法相媲美甚至更好的结果，并能抵御未知分布样本。在CIFAR-10数据集上，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，使用了10%的标记样本，达到了68.87%的top-1准确率。
🎯
关键要点
- 本文提出了一种基于半监督学习的伪标记方法。
- 该方法在未知分布样本中表现出更强的抵御能力。
- 通过迭代过程训练模型，使用已训练好的模型对无标签样本进行标记。
- 采用学习课程原理和重启模型参数是实现成功的关键因素。
- 在CIFAR-10数据集上，使用4,000个标记样本，达到了94.91%的准确率。
- 在Imagenet-ILSVRC数据集上，使用10%的标记样本，达到了68.87%的top-1准确率。
🏷️
标签
➡️
