无监督:使用无标签的数据进行训练; 半监督:同时用有标签和无标签的数据进行训练。通常是两阶段的训练,先用(较小规模的)有标签数据训练一个Teacher模型,再用这个模型对(较大规模的)无标签数据预测伪标签,作为Student模型的训练数据;目前已经有很多直接end-to-end地训练,能够大大减少半监督训练的工作; 自监督:在无...
弱监督是半监督的一个分支,相对于半监督学习,弱监督学习把数据集里的噪声问题进行了解决。 1、不完全监督(incomplete supervision),即,只有训练集的一个(通常很小的)子集是有标签的,其他数据则没有标签。这种情况发生在各类任务中。例如,在图像分类任务中,真实标签由人类标注者给出的。从互联网上获取巨量图片很容...
我的理解是半监督学习既有标签的数据也有没有标签的数据。 无监督:训练数据不要求有标签,没有显示的。没有标签标签的数据。无监督学习通常是学习的特征不是针对具体任务,更像去噪训练,常用的方法包括主成分分析和自编码器等。典型的无监督训练方法是聚类、 自监督:自监督也属于无监督的一个分支。模型通过学习没有...
半监督学习则融合了有标注与无标注数据的特点,利用有标注数据引导模型学习,再将学习到的知识应用于无标注数据,以提高模型的泛化能力和性能。自监督学习与无监督学习类似,但模型能够通过学习无标注数据生成额外的标签,实现自我指导的训练过程。弱监督学习则面对的是标注信息稀少但任务难度大的情况,如目标...
很少用到,有时候指一切不是监督学习的学习,包括无监督、自监督、半监督等等。有时候仅仅指无监督学习。 如果你对非监督学习目前在学界最前沿的应用有兴趣,想接着发paper,可以继续读。下面是弱监督和间接监督在NLP中的IE(信息抽取)任务上的三年以内顶会文章回顾。
半监督学习是一种机器学习方法,它结合了监督学习和无监督学习的优点,同时利用了标记数据和生成数据来...
半监督学习:使用少量标注数据和大量未标注数据的学习方法。 弱监督学习:使用粗粒度标签或不准确标签进行学习的学习方法。 获得弱监督标签的成本通常比监督方法的细粒度标签便宜得多。 无监督学习:不使用任何人工注释标签的学习方法。 自监督学习:无监督学习方法的一种,使用自动生成的标签对ConvNets进行训练的学习方法。
半监督(semi-supervised learning):利用好大量无标注数据和少量有标注数据进行监督学习; 自监督:利用辅助任务从无监督的数据中挖掘大量自身的信息。 另外还有弱监督学习等概念。 自监督学习的监督信息不是人工标注的,而是算法在大规模无监督数据中自动构造监督信息,来进行监督学习或训练。因此,大多数时候,我们称之为无...
半监督习(Semi-supervised):半监督介于监督学习和无监督之间,即训练集中只有一部分数据有标签,需要通过伪标签生成等方式完成模型训练; 弱监督(Weakly-supervised):弱监督是指训练数据只有不确切或者不完全的标签信息,比如在目标检测任务中,训练数据只有分类的类别标签,没有包含Bounding box坐标信息。
半监督习(Semi-supervised):半监督介于监督学习和无监督之间,即训练集中只有一部分数据有标签,需要通过伪标签生成等方式完成模型训练; 弱监督(Weakly-supervised):弱监督是指训练数据只有不确切或者不完全的标签信息,比如在目标检测任务中,训练数据只有分类的类别标签,没有包含Bounding box坐标信息。