Напівкероване багатовидове навчання з ансамблями на основі консенсусу
DOI:
https://doi.org/10.18372/1990-5548.81.18978Ключові слова:
машинне навчання, напівкероване навчання, поширення мітки, багатовидове навчання, ансамбліАнотація
Статтю присвячено вдосконаленню існуючих алгоритмів напівкерованого ансамблевого багатовидового навчання шляхом введення консенсусу між видами. Подано детальний огляд трьох найсучасніших методів із виділенням відповідних етапів навчання. Формується постановка задачі, щоб представити як напівкеровану структуру, так і розглянути напівкероване навчання в контексті проблеми оптимізації. Представлено новий багатовидовий напівкерований ансамблевий алгоритм навчання під назвою багатовидовий напівкерований перехресний консенсус (MSSXC). Алгоритм перевірено на п’яти синтетичних наборах даних, призначених для напівкерованого навчання. Результати вказують на підвищення середньої точності до 10% порівняно з існуючими методами, особливо в сценаріях з малим обсягом і високою щільністю.
Посилання
Y. C. A. P. Reddy, P. Viswanath, and B. Eswara Reddy, “Semi-supervised learning: A brief review,” Int. J. Eng. Technol, 7.1.8, 2018: 81. https://doi.org/10.14419/ijet.v7i1.8.9977
Prarthana Bhattacharyya, Chengjie Huang, and Krzysztof Czarnecki, “SSL-lanes: Self-supervised Learning for Motion Forecasting in Autonomous Driving,” Conference on Robot Learning. PMLR, pp. 1–12, June 2022. arXiv:2206.14116v1 [cs.CV] 28 Jun 2022
Islam Nassar, et al., “All labels are not created equal: Enhancing semi-supervision via label grouping and co-training,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021. https://doi.org/10.1109/CVPR46437.2021.00716
Yixin Liu, et al. “Graph self-supervised learning: A survey,” IEEE transactions on knowledge and data engineering, 35.6, 2022, 5879–5900.
Yuhao Chen, et al., “Boosting semi-supervised learning by exploiting all unlabeled data,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023. https://doi.org/10.1109/CVPR52729.2023.00729
Jafar Tanha, Maarten van Someren, and Hamideh Afsarmanesh, “An adaboost algorithm for multiclass semi-supervised learning,” 2012 IEEE 12th International Conference on Data Mining. IEEE, 2012. https://doi.org/10.1109/ICDM.2012.119
Ion Muslea, Steven Minton, and Craig A. Knoblock, “Active+semi-supervised learning=robust multi-view learning,” ICML, vol. 2, 2002.
Dan Shi, et al., “Flexible multiview spectral clustering with self-adaptation,” IEEE Transactions on Cybernetics, 53.4, 2021, 2586–2599. https://doi.org/10.1109/TCYB.2021.3131749
Jing Zhao, et al., “Multi-view learning overview: Recent progress and new challenges,” Information Fusion, 38, 2017, 43–54. https://doi.org/10.1016/j.inffus.2017.02.007
Hearst, Marti A., et al., “Support vector machines,” IEEE Intelligent Systems and their applications, 13.4 1998, 18–28. https://doi.org/10.1016/j.inffus.2017.02.007
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
