开发工具:
文件大小: 640kb
下载次数: 0
上传时间: 2021-03-12
详细说明：通常期望通过利用未标记的数据可以提高学习性能，尤其是在标记的数据数量有限的情况下。 但是，据报道，在某些情况下，现有的半监督学习方法的效果甚至比仅使用标记数据的监督学习方法还要差。 因此，希望开发出安全的半监督学习方法，当使用未标记的数据时，这种方法不会显着降低学习性能。 本文着重于提高半监督支持向量机（S3VM）的安全性。 首先，提出了S3VM-us方法。 它采用了保守的策略，并且仅使用未标记的实例，这些实例很有可能会有所帮助，同时避免使用高风险的实例。 这种方法可以提高安全性，但是使用未标记的数据来提高性能通常比S3VM小得多。 为了开发一种安全且性能良好的方法，我们检查了S3VM的基本假设，即低密度分离。 基于可以从训练数据中识别出多个好的候选低密度分离器的观察，这里提出了安全的半监督支持向量机（S4VM）。 此方法使用多个低密度分隔符来近似地面真相的决策边界，并最大程度地提高针对任何候选分隔符的感应SVM的性能改进。 在S3VM使用的假设下，此处显示S4VM具有可证明的安全性，并且可以最大程度地提高使用未标记数据的性能改进。 还介绍了S4VM的样本外扩展。 此扩展允许S4VM对
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台，提供交流渠道，下载内容来自于网络，除下载问题外，其它问题请自行百度。
- 本站已设置防盗链，请勿用迅雷、QQ旋风等多线程下载软件下载资源，下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载，请稍后再次尝试；或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎，请到消费记录里找到下载记录反馈给我们，经确认后退回积分.
- 如下载前有疑问，可以通过点击"提供者"的名字，查看对方的联系方式，联系对方咨询.
