全景网www.quanjing.com rad600-02342954
学习策略 MixMatch:A Holistic Approach to Semi-Supervised Learning ,思考题： 。1、阅读文献，了解半监督学习中，如何利用标签样本 和无标签样本扩增样本，如何为扩增样本赋予伪标签， 并构造代价函数进行训练。 the combined loss C for semi-supervised learning is defined as ,u'=MixMatch(,u,T,K,a) (2) CxHp.pa() (3) x,p∈XI 入~Beta(a,a) cu=网 ∑lg-Pmodel(g|u)I3 '=max(X,1-) u,9∈L/ x'=X'x1+(1-)x2 C=Cx+XuLu p'='p1+(1-)p2
思考题： ◦ 1、阅读文献，了解半监督学习中，如何利用标签样本 和无标签样本扩增样本，如何为扩增样本赋予伪标签， 并构造代价函数进行训练
相以性度量 K-Mean分类 自组织映射 图割法
相似性度量 K-Mean分类 自组织映射 图割法
相似性测度 ,距离测度一一 聚类“特性”的描述 。定义在特征空间×特征空间到实数的函数： 1.d(x,y)∈R 2.d(xx)=0 3.d(x,y)=d(y,x) 4.d(x,z)<d(x,y)+d(y,Z)
距离测度——聚类“特性”的描述 ◦ 定义在特征空间×特征空间到实数的函数： 1. ( , ) 2. ( , ) 0 3. ( , ) ( , ) 4. ( , ) ( , ) ( , ) d d d d d d d x y x x x y y x x z x y y z
相似性测度 ，相似性测度 。定义在特征空间×特征空间到实数的函数： 1.s(x,y)∈R 2.s(y,x)≤S(X,X)=So 3.s(X,y)=s(y,x) 4.s(x,y)s(y,z)s s(x,y)+s(y,z)s(x,z)
相似性测度 ◦ 定义在特征空间×特征空间到实数的函数： 0 1. ( , ) 2. ( , ) ( , ) 3. ( , ) ( , ) 4. ( , ) ( , ) ( , ) ( , ) ( , ) s s s s s s s s s s s x y y x x x x y y x x y y z x y y z x z