常见半监督方法 (SSL) 代码总结

经典以及最新的半监督方法 (SSL) 代码总结

  最近因为做实验需要,收集了一些半监督方法的代码,列出了一个清单:

  1. NIPS 2015  Semi-Supervised Learning with Ladder Networks

    https://github.com/CuriousAI/ladder

  2. NIPS 2014  Semi-supervised-Learning-with-Deep-Generative-Models

    https://github.com/wangxiao5791509/NIPS14_Semi-supervised-Learning-with-Deep-Generative-Models

  3. IJCAI 2016  Parameter-Free Auto-Weighted Multiple Graph Learning: A Framework for Multiview Clustering and Semi-supervised           Classification.

     作者代码尚未放出

  4. KDD 2014  Large-Scale Adaptive Semi-Supervised Learning via Unified Inductive and Transductive Model.

    http://www.escience.cn/people/fpnie/papers.html

  5. ICCV 2013  Heterogeneous Image Features Integration via Multi-Modal Semi-Supervised Learning Model.

    http://www.escience.cn/people/fpnie/papers.html

  6. Xiaojin Zhu  2005      (Label Propagation) Semi-Supervised Learning with Graphs

    自己实现了这个算法,link:____________________________。

  7. ICCV 2013  (Dynamic Label Propagation) Dynamic label propagation for semi-supervised multi-class multi-label classification

          期刊 PR:Dynamic label propagation for semi-supervised multi-class multi-label classification

                http://ac.els-cdn.com/S0031320315003738/1-s2.0-S0031320315003738-main.pdf?_tid=5369bc2a-438b-11e6-aa2e-00000aab0f01&acdnat=1467817816_57bf8e6adf8d10accc11fa2cb5ea01eb

    自己实现了这个算法,link:____________________________。

  未完,待续 。 。 。

时间: 2025-01-07 17:21:52

常见半监督方法 (SSL) 代码总结的相关文章

基于半监督学习方法的异常值检测

在韩家炜书中提到了使用半监督学习方法的异常值检测.在半监督学习中,一部分样本会被标记为“正常”或"离群点“,另一部分样本没有标号,需要算法去估计.貌似这看上去有些像分类得预测问题.但是半监督学习的思想是每次学习后,把最有可能预测正确的样本,加入到下一次迭代的训练集中去.如此不断扩大学习和标记的范围.问题是如何指定一开始的初始标签?( 当然可以人为指定 ) 我们来看这个数据集.绿色部分是被标记“正常”的样本.红色的为“异常”的样本.蓝色的为“未标记”样本点.其实这里我自己采用的初始标记方法很简单,

详解使用EM算法的半监督学习方法应用于朴素贝叶斯文本分类

1.前言 对大量需要分类的文本数据进行标记是一项繁琐.耗时的任务,而真实世界中,如互联网上存在大量的未标注的数据,获取这些是容易和廉价的.在下面的内容中,我们介绍使用半监督学习和EM算法,充分结合大量未标记的样本,以期获得文本分类更高的准确率.本文使用的是多项式朴素贝叶斯作为分类器,通过EM算法进行训练,使用有标记数据以及未标记的数据.研究了多类分类准确率与训练集中未标记数据的比例之间的关系.并探索方法来降低EM过程的计算代价来加速训练.结果显示,半监督EM-NB分类器可以在只给2%标记数据情况

基于协同训练的半监督文本分类算法

标签: 半监督学习,文本分类 作者:炼己者 --- 本博客所有内容以学习.研究和分享为主,如需转载,请联系本人,标明作者和出处,并且是非商业用途,谢谢! 如果大家觉得格式看着不舒服,也欢迎大家去看我的简书 半监督学习文本分类系列 用半监督算法做文本分类(sklearn) sklearn半监督学习(sklearn) 基于自训练的半监督文本分类算法 一. 摘要 本文主要讲述基于协同训练的半监督算法做文本分类,用三个差异性比较大的分类器对未标注数据进行标注,它们可以进行交叉验证,大大提升了对未标注数据

[麦先生]PHP面向对象中常见的魔术方法以及关键字

麦先生引言:在学习php面向对象的编程思想中,我们会遇到很多的能够自动调用的魔术方法,每个魔术方法都有其特定的触发场景,但其根本目的是在于编写和实际使用过程中阻止程序报错而生; 常见的魔术方法有:music=> gusic(根据首字母拼音大写由gusic联想到music)    以及构造,析构方法,以及特殊的关键字fsci -- cats 和 ai 魔术方法                触发场景 <!--gusic---------------------------------------

内存泄漏以及常见的解决方法

  之所以撰写这篇文章是由于前段时间花费了非常大的精力在已经成熟的代码上再去处理memory leak问题.写此的目的是希望我们应该养成良好的编码习惯,尽可能的避免这种问题,由于当你对着一大片的代码再去处理此类的问题,此时无疑添加了解决的成本和难度.准确的说属于补救措施了. 1. 什么是内存泄漏(memory leak)?  指因为疏忽或错误造成程序未能释放已经不再使用的内存的情况.内存泄漏并不是指内存在物理上的消失,而是应用程序分配某段内存后,因为设计错误,失去了对该段内存的控制,因而造成了内

常见的魔法方法及使用

常见的魔法方法有如下: __init__ 初始化类属性的方法 __repr__ 定义 当 repr()  被你的一个类的实例调用时所要产生的行为. str() 和 repr() 的主要区别是其目标群体. repr() 返回的是机器可读的输出,而 str() 返回的是人类可读的. __str__ 定义当 str() 被你的一个类的实例调用时所要产生的行为.后面例子中print输出的时候就相当于在调用方法__str____call__ 使一个类的实例像函数一样被调用:x(a, b) 调用 x.__c

C语言常见的排序方法——冒泡法、选择法、插入法

当我们要对C中一组数据进行排序是常见的排序方法有冒泡法.选择法.插入法 冒泡排序法(升序):假设一组数据a[0].a[1].a[2].a[3]...a[n],第一轮:先比较a[0]与a[1].a[1]与a[2]...a[i]与a[i+1]...a[n-1]与a[n]的大小,如果a[i]与a[i+1]不是升序(即a[i] > a[i+1]),那么就将a[i]与a[i+1]的值互换,第一轮过后,a[n]就是最大值:第二轮:运用第一轮同样的方法,比较a[0]与a[1].a[1]与a[2]...a[i]

php读取文件内容的多种方法示例代码

分享下php中读取文件内容的几种方法,各有千秋,与大家共勉. 示例代码1: 用file_get_contents 以get方式获取内容<?php$url='http://www.jbxue.com/';$html=file_get_contents($url);//print_r($http_response_header);ec($html);printhr();printarr($http_response_header);printhr();?> 示例代码2: 用fopen打开url,

JAVA半关闭方法

/* * 这个代码说明的是客户端使用半关闭方法 * */ package comOne; import java.io.IOException; import java.io.PrintWriter; import java.net.Socket; import java.util.Scanner; public class BanGuanBi { public static void main(String[] args) { // TODO Auto-generated method stu