A Semi-Supervised Self-Organizing Map for Clustering and Classification
Center of Informatics - CIn, Universidade Federal de Pernambuco（信息中心 - 伯南布哥联邦大学）
近年来，由于大量的数据集含有大量未标记数据，而只有少量标记样本，因此半监督学习受到了越来越多的关注。半监督学习算法可以处理这两种类型的数据，将它们结合起来，以获得更好的聚类和分类性能。此外，这些数据集通常具有大量的维度。本文提出了一种新的基于自组织映射（SOM）的半监督聚类和分类方法，称为半监督自组织映射（SS-SOM）。该方法可以在训练过程中根据每个模式的类标签的可用性在监督学习和无监督学习之间动态切换。我们的研究结果表明，SS-SOM优于其他半监督方法的条件下，有少量的标记样本，也取得了良好的效果时，所有的样本标记。
2019-07-01 cs.LG stat.ML
Semi-supervised Learning on Large Graphs: is Poisson Learning a Game-Changer?
Kyoto University（京都大学）
我们解释了基于图的半监督学习的泊松学习，看看它是否可以避免全局信息丢失的问题，因为基于拉普拉斯的学习方法在大型图。从我们的分析来看，泊松学习仅仅是带有阈值的拉普拉斯正则化，不能克服这个问题。
2022-03-11 cs.LG stat.ML
RSSL: Semi-supervised Learning in R
Delft University of Technology（代尔夫特理工大学）；Leiden University Medical Center（莱顿大学医学中心）
在本文中，我们介绍了R编程语言中的半监督学习研究包RSSL。我们涵盖了包的目的，它包括的方法，并评论它们的使用和实现。然后，我们使用几个代码示例展示了该软件包如何用于复制半监督学习文献中的知名结果。
2016-12-23 cs.LG stat.ML
Negative sampling in semi-supervised learning
Rice University（莱斯大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
介绍了一种简单、快速、易于调整的半监督学习（SSL）算法--半监督学习中的负采样（NS 3L）。NS 3L的动机是负抽样/对比估计的成功。我们证明，将NS 3L损失添加到最先进的SSL算法中，例如虚拟对抗训练（VAT），显着改善了vanilla VAT及其变体，具有熵最小化的VAT。通过将NS 3L损失添加到MixMatch中，MixMatch是当前最先进的半监督任务方法，我们观察到比vanilla MixMatch有显着改进。我们在CIFAR 10，CIFAR 100，SVHN和STL 10基准数据集上进行了广泛的实验。
2020-06-28 cs.LG stat.ML
Exploring Self-Supervised Regularization for Supervised and Semi-Supervised Learning
Flyreel AI Research（Flyreel人工智能研究院）
半监督学习的最新进展在克服现代机器学习算法成功的主要障碍方面显示出巨大的潜力：访问大量人类标记的训练数据。基于一致性正则化的先前算法可以利用大量未标记数据在许多半监督基准上产生令人印象深刻的结果，仅使用一小部分可用标记数据就接近强监督基线的性能。在这项工作中，我们通过引入自监督正则化作为组合来自未标记数据的语义特征表示的基础，挑战了一致性正则化的长期成功。我们进行了广泛的比较实验，以证明自监督正则化的有效性，监督和半监督图像分类SVHN，CIFAR-10和CIFAR-100基准数据集。我们提出了两个主要结果：（1）使用自监督正则化增强的模型显着改进了传统的监督分类器，而不需要未标记的数据;（2）与未标记的数据一起，我们的模型产生了半监督性能，与现有的最先进的一致性基线竞争，并且在许多情况下超过了它。最后，我们的模型具有端到端有效训练的实用性，并且不需要额外的超参数来调整训练神经网络的标准集之外的最佳性能。参考代码和数据可在https://github.com/vuptran/sesemi上获得
2019-11-21 cs.CV cs.LG stat.ML
Semi-Conditional Normalizing Flows for Semi-Supervised Learning
National Research University Higher School of Economics（国家研究型高等经济大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Yandex School of Data Analysis（Yandex数据分析学院）；Samsung AI Center Moscow（三星莫斯科人工智能中心）；University of Amsterdam（阿姆斯特丹大学）
提出了一种半监督学习的半条件规范化流模型。该模型使用标记和未标记的数据来学习对象和标签上的联合分布的显式模型。该模型的半条件架构允许我们有效地计算未标记对象的边缘似然的值和梯度。该模型的条件部分是基于一个建议的条件耦合层。我们证明了该模型在不同数据集上的半监督分类问题的性能。在MNIST数据集上，该模型优于基于变分自编码器的基线方法。
2020-06-22 cs.LG stat.ML
Implicitly Constrained Semi-Supervised Linear Discriminant Analysis
Delft University of Technology（代尔夫特理工大学）；University of Copenhagen（哥本哈根大学）；Leiden University Medical Center（莱顿大学医学中心）
半监督学习是模式识别领域一个重要而活跃的研究课题。对于具体使用线性判别分析的分类，已经提出了几种半监督变体。使用这些方法中的任何一种都不能保证优于不考虑额外未标记数据的监督分类器。在这项工作中，我们比较了传统的期望最大化类型的半监督线性判别分析方法与基于内在约束的方法，并提出了一种新的原则性方法，半监督线性判别分析，使用所谓的隐式约束。我们探讨这些方法之间的关系，并考虑的问题，如果在什么意义上，我们可以预期的监督程序的性能改善。基于约束的方法对模型的错误指定更鲁棒，并且在未见过对象的对数似然性方面，可能优于对数据做出更多假设的替代方案。
2014-11-17 cs.LG stat.ML
S5CL: Unifying Fully-Supervised, Self-Supervised, and Semi-Supervised Learning Through Hierarchical Contrastive Learning
Technical University Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能研究院）
在计算病理学中，我们经常面临着缺乏注释和大量未标记数据的问题。处理这种情况的一种方法是半监督学习，它通常分为自我监督的借口任务和随后的模型微调。在这里，我们通过引入S5 CL将这两个阶段的训练压缩为一个，S5 CL是一个用于全监督、自监督和半监督学习的统一框架。通过为标记图像、未标记图像和伪标记图像定义三种对比度损失，S5 CL可以学习反映距离关系层次的特征表示：相似图像和增强嵌入最接近，其次是同一类的不同外观图像，而来自不同类的图像具有最大的距离。此外，S5 CL允许我们灵活地组合这些损失，以适应不同的场景。在两个公共组织病理学数据集上对我们的框架进行的评估显示，在稀疏标签的情况下，我们的框架有了很大的改进：对于H& E染色的结直肠癌数据集，与监督交叉熵损失相比，准确度提高了9%;对于来自白血病患者血涂片的单个白细胞的高度不平衡数据集，F1分数提高了6%。
2022-03-14 cs.CV stat.ML
Safe Semi-Supervised Learning of Sum-Product Networks
Graz University of Technology（格拉茨技术大学）；Austrian Research Institute for Artificial Intelligence（奥地利人工智能研究所）；University of Cambridge（剑桥大学）
在一些领域中，获取类注释是昂贵的，而同时未标记的数据是丰富的。虽然大多数半监督方法都对数据分布进行了限制性假设，但最近的工作已经成功地在非限制性机制中学习半监督模型。然而，到目前为止，这样的方法只提出了线性模型。在这项工作中，我们介绍了和积网络（SPN）的半监督参数学习。SPN是深度概率模型，允许在线性时间内推理网络边缘的数量。我们的方法有几个优点，因为它（1）允许生成和判别式半监督学习，（2）保证添加未标记数据可以增加，但不会降低性能（安全），（3）计算效率高，不会对数据分布进行限制性假设。我们在各种数据集上表明，与最先进的方法相比，使用SPN的安全半监督学习具有竞争力，并且可以比纯监督方法产生更好的生成性和区分性客观值。
2017-10-10 cs.LG stat.ML
An Overview of Deep Semi-Supervised Learning
Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）
深度神经网络证明了它们在广泛的监督学习任务（例如，图像分类）在大量的标记数据集合上训练时（例如，ImageNet）。然而，创建如此大的数据集需要大量的资源、时间和精力。在许多实际情况下，这些资源可能不可用，从而限制了许多深度学习方法的采用和应用。在寻找更数据有效的深度学习方法以克服对大型注释数据集的需求时，对半监督学习及其在深度神经网络中的应用的研究兴趣日益增加，以通过开发新方法或采用现有的半监督学习框架用于深度学习设置来减少所需的标记数据量。在本文中，我们对深度半监督学习进行了全面的概述，首先介绍了该领域，然后总结了深度学习中占主导地位的半监督方法。
2020-07-06 cs.LG stat.ML
Projected Estimators for Robust Semi-supervised Classification
Delft University of Technology（代尔夫特理工大学）；Leiden University Medical Center（莱顿大学医学中心）；University of Copenhagen（哥本哈根大学）
为了使半监督技术在实践中安全地应用，我们至少希望方法的性能优于监督方法。我们研究这个问题的分类使用著名的二次代理损失函数。通过将监督估计投影到由未标记数据施加的一组约束上，我们发现我们可以安全地改进监督解决方案的二次损失。与半监督学习的其他方法不同，该过程不依赖于不是手头分类器固有的假设。理论上证明，在标记和未标记的训练数据上测量，这种半监督过程永远不会给出比监督替代方案更低的二次损失。据我们所知，这是第一种方法，提供了这样强大的，虽然保守，保证监督解决方案的改进。我们的方法的特点是明确使用基准数据集，以进一步了解的相似性和差异的二次损失标准中使用的理论结果和分类精度往往在实践中考虑。
2016-02-25 cs.LG stat.ML
Semi-Supervised Learning with Deep Generative Models
Google DeepMind（谷歌DeepMind）
现代数据集规模的不断增加以及获取标签信息的困难使得半监督学习成为现代数据分析中具有重要实际意义的问题之一。我们重新审视了生成模型的半监督学习方法，并开发了新的模型，允许从小的标记数据集到大的未标记数据集的有效推广。迄今为止，生成式方法要么不灵活，效率低下，要么不可扩展。我们表明，利用变分方法的最新进展的深度生成模型和近似贝叶斯推理可以用于提供显着的改进，使生成方法在半监督学习中具有很强的竞争力。
2014-10-31 cs.LG stat.ML
Muffled Semi-Supervised Learning
University of California, San Diego（加州大学圣地亚哥分校）
我们探索了一种新的半监督学习方法。这种方法与常见的方法相反，因为未标记的示例用于“隐藏”而不是增强由标记的示例提供的指导。我们提供了几个变种的基本算法和实验表明，它们可以实现显着更高的AUC比提升树，随机森林和逻辑回归时，未标记的例子。
2016-05-28 cs.LG stat.ML
SaaS: Speed as a Supervisor for Semi-supervised Learning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们介绍了用于半监督学习的SaaS算法，该算法使用深度神经网络中随机梯度下降期间的学习速度来衡量未知标签的后验概率的迭代估计的质量。在监督学习中，训练速度与正确标签的百分比密切相关，因此我们将其用作未知标签的推理标准，而不试图首先推断模型参数。尽管简单，SaaS在半监督学习基准测试中取得了最先进的结果。
2018-05-02 cs.CV cs.LG stat.ML
Improvability Through Semi-Supervised Learning: A Survey of Theoretical Results
Delft University of Technology（代尔夫特理工大学）；University of Copenhagen（哥本哈根大学）
半监督学习是一种具有标记和未标记数据的设置。在本调查中，我们探讨了在分类和回归任务中使用未标记数据时的不同类型的理论结果。大多数使用未标记数据的方法都依赖于对数据分布的某些假设。当这些假设在现实中不满足时，包括未标记的数据实际上可能会降低性能。因此，研究这些方法，了解其背后的理论就显得尤为重要。在这篇综述中，我们收集了有关使用半监督学习时可能获得的收益的结果，以及有关此类方法的限制的结果。更确切地说，这篇综述收集了以下问题的答案：就改进监督方法而言，半监督学习的局限性是什么？不同方法的假设是什么？如果这些假设是真的，我们能得到什么？最后，我们还讨论了半监督学习的最大瓶颈，即它们所做的假设。
2020-07-30 cs.LG stat.ML
Generalization Bounds For Unsupervised and Semi-Supervised Learning With Autoencoders
Viterbi Faculty of Electrical Engineering, Technion - Israel Institute of Technology（以色列理工学院维特比电气与电子工程学院）
自编码器广泛用于无监督学习和半监督学习中的正则化方案。然而，他们的泛化性能和他们可以帮助监督学习的方式的理论理解一直缺乏。我们利用深度学习泛化理论的最新进展，以及新的重建损失，为自动编码器提供泛化界。据我们所知，这是第一次这样的约束。我们进一步表明，在适当的假设下，具有良好泛化性能的自编码器可以改善任何半监督学习方案。我们支持我们的理论结果与实证证明。
2019-02-04 cs.LG stat.ML
Supervised and Semi-supervised Deep Probabilistic Models for Indoor Positioning Problems
Université Bourgogne Franche-Comté（弗朗什-孔泰大学）；UTBM（贝尔福-蒙贝利亚技术大学）；Université de Lorraine（洛林大学）；LORIA（洛林计算机科学与应用实验室）；CNRS（法国国家科学研究中心）
利用WiFi指纹预测智能手机用户的位置是近年来的一个热门研究课题。在这项工作中，我们提出了两个新的基于深度学习的模型，卷积混合密度递归神经网络和基于VAE的半监督学习模型。结合卷积神经网络、递归神经网络和混合密度网络的优点，设计了一种用于路径预测的卷积混合密度递归神经网络。此外，由于大多数真实世界的数据集没有标记，我们设计了基于VAE的半监督学习任务的模型。为了验证所提出的模型，我们在真实世界的数据集上进行了验证实验。最后的结果验证了我们的方法的有效性，并显示出优于其他现有的方法。
2021-03-16 cs.LG stat.ML
Virtual Adversarial Training: A Regularization Method for Supervised and Semi-Supervised Learning
Preferred Networks, Inc.（首选网络公司）；Kyoto University（京都大学）；ATR Cognitive Mechanisms Laboratories（ATR认知机制实验室）；Ritsumeikan University（立命馆大学）
我们提出了一种新的正则化方法的基础上虚拟对抗损失：一个新的措施，局部光滑的条件标签分布给定的输入。虚拟对抗损失被定义为每个输入数据点周围的条件标签分布对局部扰动的鲁棒性。与对抗训练不同，我们的方法定义了没有标签信息的对抗方向，因此适用于半监督学习。因为我们平滑模型的方向只是“虚拟”对抗，我们称我们的方法为虚拟对抗训练（VAT）。增值税的计算成本相对较低。对于神经网络，虚拟对抗损失的近似梯度可以用不超过两对的前向和反向传播来计算。在我们的实验中，我们将VAT应用于多个基准数据集上的监督和半监督学习任务。通过对基于熵最小化原理的算法进行简单的增强，我们的VAT在SVHN和CIFAR-10上的半监督学习任务中实现了最先进的性能。
2018-06-27 cs.LG stat.ML
Empirical Perspectives on One-Shot Semi-supervised Learning
US Naval Research Laboratory（美国海军研究实验室）
在新应用中采用深度神经网络的最大障碍之一是，训练网络通常需要大量手动标记的训练样本。我们根据经验研究了这样一种场景，其中可以访问大量未标记的数据，但只需要标记每个类的单个原型样本，以便训练深度网络（即，一次性半监督学习）。具体来说，我们调查了FixMatch中报道的一次性半监督学习的最新结果，以了解影响和阻碍Cifar-10一次性半监督学习的高准确性和可靠性的因素。例如，我们发现，一次半监督学习的高性能图像分类的一个障碍是在训练过程中的类精度的不均匀性。这些结果指出了解决方案，可以使一次性半监督训练方法在新应用中得到更广泛的采用。
2020-04-08 cs.CV cs.LG stat.ML
Analysis of Semi-Supervised Learning with the Yarowsky Algorithm
Yarowsky算法是一种基于规则的半监督学习算法，已成功地应用于计算语言学中的一些问题。该算法在数学上没有得到很好的理解，直到（Abney 2004）分析了该算法的一些特定变体，并提出了一些新的自举算法。在本文中，我们延长Abney的工作，并表明，他提出的一些算法实际上优化（上界）的目标函数的基础上的一个新的定义的交叉熵是基于一个特定的实例化的概率分布之间的Bregman距离。此外，我们提出了一些新的算法，基于规则的半监督学习和基于图的半监督学习与调和函数和最小多路割的连接。
2012-06-20 cs.LG stat.ML
A Characterization of Semi-Supervised Adversarially-Robust PAC Learnability
Ben-Gurion University（本古里安大学）；Purdue University（普渡大学）；Tel Aviv University（特拉维夫大学）；Google Research（谷歌研究院）
本文刻画了半监督PAC模型下对抗鲁棒学习的样本复杂度，证明充足未标注数据可使已标注样本需求任意减小，并给出几乎匹配的上下界，揭示了半监督鲁棒学习相较监督学习的显著优势。
2024-05-05 cs.LG stat.ML
Semi-Supervised Learning with the Deep Rendering Mixture Model
Rice University（莱斯大学）；Baylor College of Medicine（贝勒医学院）
半监督学习算法通过在学习过程中同时使用标记和未标记数据来降低获取标记训练数据的高成本。深度卷积网络（DCN）在监督任务中取得了巨大的成功，因此在半监督学习中得到了广泛的应用。在本文中，我们利用最近开发的深度渲染混合模型（DRMM），一个概率生成模型，模型潜在的滋扰变化，其推理算法产生DCN。我们开发了一个期望最大化算法的DRMM学习标记和未标记的数据。在DRMM理论的指导下，我们引入了一个新的非负约束和一个变分推断项。我们报告了MNIST和SVHN的最新性能以及CIFAR10的竞争结果。我们还深入探讨了在半监督设置中训练的DRMM如何使用合成渲染图像表示潜在的滋扰变化。总之，我们的工作为监督，无监督和半监督学习提供了一个统一的框架。
2016-12-06 cs.LG cs.NE stat.ML
An Information-theoretical Approach to Semi-supervised Learning under Covariate-shift
半监督学习中的一个常见假设是，标记数据、未标记数据和测试数据来自相同的分布。然而，这一假设在许多应用中并不满足。在许多情况下，数据是顺序收集的（例如，医疗保健），并且数据的分布可能随时间变化，通常表现出所谓的协变量偏移。在本文中，我们提出了一种半监督学习算法，能够解决这个问题的方法。我们的框架还恢复了一些流行的方法，包括熵最小化和伪标记。我们提供了新的信息理论为基础的泛化误差上界启发我们的新框架。我们的界限适用于一般的半监督学习和协变量偏移的情况。最后，我们数值表明，我们的方法优于以前的方法提出的半监督学习下的协变量偏移。
2022-02-24 cs.IT math.IT stat.ML
Unlabeled Data Help in Graph-Based Semi-Supervised Learning: A Bayesian Nonparametrics Perspective
在本文中，我们分析了基于图的方法，半监督学习下的流形假设。我们采用贝叶斯的角度来看，并证明，对于一个合适的选择之前构建了足够多的未标记的数据，后验合同周围的真理在一个速率，是最小最大最优的对数因子。我们的理论涵盖了回归和分类。
2021-06-13 math.ST stat.ML stat.TH
Semi-supervised Learning with Sparse Autoencoders in Phone Classification
KTH Royal Institute of Technology（KTH皇家理工学院）；School of Computer Science（计算机科学学院）
我们提出了一种半监督学习方法的应用，以提高基于深度神经网络的自动语音识别声学建模的性能。与监督微调后的无监督初始化相反，我们的方法通过小批量随机梯度下降同时利用未标记和标记数据。我们测试的方法与不同比例的标记与未标记的意见，基于帧的音素分类的TIMIT数据库。我们的实验表明，该方法优于标准的监督训练等量的标记数据，并提供有竞争力的错误率相比，最先进的基于图的半监督学习技术。
2016-10-03 cs.CL cs.LG stat.ML
Semi-supervised Learning with GANs: Manifold Invariance with Improved Inference
IBM Research AI（IBM研究院人工智能中心）；University of Utah（犹他大学）
使用生成对抗网络（GANs）的半监督学习方法最近已经显示出有希望的经验成功。这些方法中的大多数使用共享的分类器/分类器，该分类器可以区分真实的例子和虚假的例子，同时还可以预测类别标签。受GANs生成器很好地捕获数据流形的能力的启发，我们建议使用GANs来估计数据流形的切空间，并将其用于将不变性注入分类器。在这个过程中，我们提出了对现有方法的增强，用于学习逆映射（即，编码器），这极大地提高了重构样本与输入样本的语义相似性。我们在半监督学习中观察到了相当多的经验收益，特别是在标记示例数量较低的情况下。我们还提供了关于假例子如何影响半监督学习过程的见解。
2017-12-05 cs.AI cs.CV cs.LG
Building One-Shot Semi-supervised (BOSS) Learning up to Fully Supervised Performance
US Naval Research Laboratory（美国海军研究实验室）
使用未标记的数据达到完全监督学习的性能并且每个类仅标记一个样本对于深度学习应用来说可能是理想的。我们首次展示了在Cifar-10和SVHN上构建一次性半监督（BOSS）学习的潜力，以达到与完全监督学习相当的测试精度。我们的方法结合了类原型提炼，类平衡和自我训练。一个好的原型选择是必不可少的，我们提出了一种技术，以获得图标的例子。此外，我们证明了类平衡方法大大提高了半监督学习的准确性，使自我训练达到完全监督学习性能的水平。严格的经验评估提供了证据，证明标记大型数据集对于训练深度神经网络是不必要的。我们在https://github.com/lnsmith54/BOSS上提供了我们的代码，以便于复制和用于未来的实际应用程序。
2021-01-26 cs.CV cs.LG cs.NE
A generalized linear joint trained framework for semi-supervised learning of sparse features
University Carlos III of Madrid（马德里卡洛斯三世大学）；UC3M-BS Santander Big Data Institute（马德里卡洛斯三世大学-桑坦德银行大数据研究所）；Technical University of Denmark（丹麦技术大学）
弹性网络是最广泛使用的正则化算法之一，通常与通过惩罚极大似然的监督广义线性模型估计问题相关联。它的优良特性源自于$\ell_1$和$\ell_2$范数的组合，这赋予了该方法考虑变量之间的相关性来选择变量的能力。在过去的几年里，半监督方法，使用标记和未标记的数据，已成为统计研究的一个重要组成部分。然而，尽管有这种兴趣，很少有研究调查半监督弹性网络扩展。本文介绍了一种新的解决方案，稀疏特征的半监督学习的背景下，广义线性模型估计：广义半监督弹性网络（s2网），它扩展了监督弹性网络方法，具有一般的数学公式，涵盖，但不限于，回归和分类问题。我们在R中开发了一个灵活而快速的s2net实现，并使用真实和合成数据集来说明其优势。
2020-10-02 cs.LG stat.CO stat.ML
Semi-Supervised Radio Signal Identification
Virginia Tech（弗吉尼亚理工大学）；Oklahoma State University（俄克拉荷马州立大学）
密集多用户环境下的无线电辐射源识别是优化频谱利用、识别和最小化干扰以及执行频谱政策的重要工具。无线电数据是现成的，很容易从天线获得，但标记和策划的数据往往是稀缺的，使监督学习策略在实践中困难和耗时。我们证明了半监督学习技术可用于将学习扩展到监督数据集之外，允许通过使用基于非监督和监督方法的稀疏信号表示来识别和回忆新的无线电信号，用于非线性特征学习和聚类方法。
2017-01-17 cs.IT cs.LG math.IT
Semi-Supervised Learning with Ladder Networks
The Curious AI Company（好奇人工智能公司）；Nokia Labs（诺基亚实验室）；Aalto University（阿尔托大学）
我们在深度神经网络中将监督学习与无监督学习相结合。该模型通过反向传播训练，同时最小化监督和非监督成本函数的总和，避免了逐层预训练的需要。我们的工作建立在Valpola（2015）提出的梯形网络的基础上，我们通过将模型与监督相结合来扩展该网络。我们表明，所得到的模型达到最先进的性能，在半监督MNIST和CIFAR-10分类，除了置换不变的MNIST分类与所有标签。
2015-11-24 cs.LG cs.NE stat.ML
Consistency of semi-supervised learning, stochastic tug-of-war games, and the p-Laplacian
University of Minnesota（明尼苏达大学）；Louisiana State University（路易斯安那州立大学）
本文概述了偏微分方程与基于图的半监督学习的交叉领域，聚焦PDE连续统极限证明算法适定性，并利用p-Laplacian的随机拔河博弈解释提出了其半监督学习一致性的新结果，辅以数值实验说明。
2024-06-03 cs.LG cs.NA math.AP
Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data
治疗方案是根据患者的协变量信息为患者分配治疗的规则。最近，估计最佳治疗方案，产生最大的整体预期临床结果的利益已经吸引了很多关注。在这项工作中，我们考虑估计的最佳治疗方案与电子病历数据下的半监督设置。在这里，数据由两部分组成：一组“标记”患者，我们有协变量，治疗和结果信息，以及一组更大的“未标记”患者，我们只有协变量信息。我们提出了一种基于估算的半监督方法，利用“未标记”的个人，以获得更有效的估计的最佳治疗方案。所提出的估计和相关的推理过程的渐近性质。进行模拟研究，以评估所提出的方法的经验性能，并与一个完全监督的方法，只使用标记的数据进行比较。一个应用程序的电子医疗记录数据集上的治疗重症监护病房（ICU）停留期间的呕吐发作也给出了进一步说明。
2022-03-04 stat.ME stat.ML
Semi-supervised inference for treatment heterogeneity
该研究针对因果推断中治疗异质性测量的半监督场景，提出TTH和ETH的半监督估计量，通过重加权策略解决ETH估计的效率损失问题，经模拟和艾滋病临床试验数据验证，方法更稳健高效且渐近方差不超监督方法。
2025-09-05 stat.ME
Contrastive Pessimistic Likelihood Estimation for Semi-Supervised Classification
Delft University of Technology（代尔夫特理工大学）；University of Copenhagen（哥本哈根大学）
半监督分类器的改进保证目前只能在数据的限制条件下给出。我们提出了一种通用的方法来执行半监督参数估计的似然为基础的分类器，在完整的训练集，估计永远不会比监督的解决方案的对数似然。此外，我们认为，在特定情况下，我们可以期望这些解决方案能够真正改善监督分类器。在LDA的一个例子中，我们进一步证明了它的半监督版本严格优于其监督版本。形成我们估计原则核心的两个新概念是对比和悲观。前者指的是我们的目标函数考虑了监督估计，使半监督解决方案能够显式控制对该估计的潜在改进。后者指的是我们的估计是保守的，因此弹性的任何形式的真实标签的未标记的数据takeson.Experiments证明的改善，在独立的测试集上的对数似然和分类错误率。
2015-05-10 cs.LG stat.ME stat.ML
Unified Inductive Logic: From Formal Learning to Statistical Inference to Supervised Learning
University of California, Davis（加州大学戴维斯分校）
本文提出皮尔士式归纳逻辑，统一形式学习、统计推断与监督学习，并用统一原则证明各领域评估非演绎推理标准的合理性。
2024-12-04 cs.LG stat.ME stat.OT
Reliable fairness auditing with semi-supervised inference
University of Toronto（多伦多大学）
本文提出Infairness框架，利用半监督推断在有限标注数据下实现公平性审计，通过回归与非线性基函数填补缺失结果，提升估计鲁棒性和效率，实验证明其在医疗数据中显著降低方差。
2026-05-17 stat.ME
Semi-supervised Inference: General Theory and Estimation of Means
我们提出了一个一般的半监督推理框架，重点是估计的人口平均值。通常在半监督设置中，存在协变量向量的未标记样本和由协变量向量以及实值响应（“标签”）组成的标记样本。否则，该公式是“精简的”，因为没有对数据的统计或函数形式施加任何主要条件。我们考虑了理想的半监督设置无限多的未标记的样本，以及普通的半监督设置，其中只有有限数量的未标记的样本是可用的。估计量提出了相应的置信区间的人口平均值。给出了该方法的渐近分布和$\ell_2$ -风险的理论分析。令人惊讶的是，建议的估计，基于一个简单的形式的最小二乘法，优于普通的样本均值。简单，透明的形式的估计借给信心的看法，其渐近改善普通样本均值也几乎持有，即使是中等规模的样本。该方法进一步扩展到非参数设置，其中预言率可以渐近实现。所提出的估计进一步说明了模拟研究和一个真实的数据例子，涉及无家可归的人口估计。
2018-08-14 math.ST stat.ME stat.ML
Semi-supervised Inference for Explained Variance in High-dimensional Linear Regression and Its Applications
本文考虑了半监督环境下高维线性模型$Y=Xβ+ε$下解释方差$β^{\intercal}Σβ$的统计推断，其中$β$是回归向量，$Σ$是设计协方差阵。一个校准的估计，有效地整合了标记和未标记的数据，提出。结果表明，估计达到最小最大的最优收敛速度在一般的半监督框架。最优性结果表征了未标记数据对估计精度的贡献。此外，极限分布的建议估计建立和未标记的数据也被证明是有用的，在减少解释方差的置信区间的长度。将该方法推广到无权二次泛函$\|β\|_2^2$的半监督推理。然后将得到的推理结果应用于一系列高维统计问题，包括信号检测和全局测试，预测精度评估和置信球构建。通过模拟研究和多性状酵母分离数据集的遗传力估计分析，证明了结合未标记数据的数值改进。
2020-11-30 math.ST stat.ME stat.TH
Semi-supervised inference using unlabeled summary statistics
University of Washington（华盛顿大学）；Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
提出在仅有无标签汇总统计（如样本均值和协方差）的受限半监督设置下，利用无标签汇总统计提高均值估计效率并校正选择偏差的方法，并扩展到平均处理效应估计。
2026-06-02 math.ST stat.ME stat.TH
