PDF《半监督学习方法》

2 4 ] 用概率近似正确( P r o b a b l y A p p r o x i m a t e l yC o r r e c t , P A C) 理论和大偏差界理论 分析了基于判别方法的 S S L方法的性能, 给出了说 明无类标签的样例何时帮助改进学习性能的相容性 函数. B a l c a n等人[

2 5] 在理论上说明了在每个视图给 定适当强的 P A C学习机, 仅依赖比充分冗余假设更 弱的 假设, 也足以使 协同 训练迭 代成功. G o l d b e r g 和Z h u [

2 6] 将基于图的S S L方法用于情绪分级问题, 证明了无类标签的样例能够改进学习性能. L e s k e s 说明当 协同训练的不同学习机在相同的给定训练数据集上 得到的结果一致时, 训练结果的误差减小[

2 7] . 在S S L成为一个热门研究领域之后, 出现了许 多利用无类标签的样例提高学习算法预测精度和加 快速度的学习方法, 因此出现了大量改进的 S S L 方法. N i g a m 等人[

2 8] 将EM 和朴素贝叶斯结合, 通过 引入加权系数动态调整无类标签的样例的影响提高 了分类准确率, 建立每类中具有多个混合部分的模 型, 使贝叶斯偏差减小. Z h o u和Goldman[29]提出了 协同训练改进算法, 不需要充分冗余的视图, 而利用 两个不同类型的分类器来完成学习. Z h a等人[

3 0] 提 出了一种解决多类标签问题的基于图的 S S L 方法. Z h o u和Li[3]提出了基于差异的 S S L 方法, 利用多 个学习机之间的差异性来改进 S S L 性能, 有效地降 低了时间损耗, 并且提高了学习机的泛化能力. Wu 等人[

3 1 ] 引入一种密度敏感的距离度量, 并结合基于 图的方 法, 显著提高了算法的聚类性能. X i ........