Halbüberwachtes Lernen

halbüberwachtes LernenEs handelt sich um eine Lerntechnik zwischen überwachtem und unüberwachtem Lernen. Zum Lernen werden sowohl beschriftete als auch unbeschriftete Proben verwendet.

Halbüberwachtes Lernen ermöglicht es dem Lernenden, automatisch unbeschriftete Beispiele zu verwenden, um die Lernleistung zu verbessern, ohne auf externe Interaktionen angewiesen zu sein.

Zwei gängige Annahmen zum halbüberwachten Lernen

Eine davon ist die „Clusterannahme“, die davon ausgeht, dass die Daten eine Clusterstruktur aufweisen und Proben im selben Cluster zur selben Kategorie gehören.

Der andere Typ ist die „Mannigfaltigkeitsannahme“, bei der davon ausgegangen wird, dass die Daten auf einer Mannigfaltigkeitsstruktur verteilt sind und dass benachbarte Stichproben ähnliche Ausgabewerte haben.

Kurze Einführung in die Theorie des halbüberwachten Lernens:

Beim halbüberwachten Lernen gibt es zwei Beispielsätze, einen beschrifteten und einen unbeschrifteten.

Beschriftung = { (xi, yi)}, Unbeschriftet = { (xi)}. Und quantitativ gilt: L << U.

1) Wir können überwachte Klassifizierungsalgorithmen nur mithilfe gekennzeichneter Proben generieren.

2) Durch die alleinige Verwendung unbeschrifteter Proben können wir unbeaufsichtigte Clustering-Algorithmen generieren.

3) Durch die Verwendung beider hoffen wir, in 1 unbeschriftete Proben hinzuzufügen, um den Effekt der überwachten Klassifizierung zu verstärken. In ähnlicher Weise hoffen wir, in 2 beschriftete Proben hinzufügen zu können, um den Effekt der unüberwachten Clusterbildung zu verstärken.

Im Allgemeinen konzentriert sich das halbüberwachte Lernen auf das Hinzufügen unbeschrifteter Proben zu überwachten Klassifizierungsalgorithmen, um eine halbüberwachte Klassifizierung zu erreichen. Das heißt, dass zu 1 unbeschriftete Proben hinzugefügt werden, um den Klassifizierungseffekt zu verstärken.

Klassifizierung von halbüberwachten Lernalgorithmen:

1) Selbstlernender Algorithmus;

2) Generative Modelle

3) SVMs – halbüberwachte Support Vector Machines;

4) graphenbasierte Methoden;

5) Multiview-Lernalgorithmus.

Verweise

【1】https://blog.csdn.net/ice110956/article/details/13775071

【2】http://blog.sciencenet.cn/blog-242887-309591.html

【3】https://www.zybuluo.com/Team/note/1133211