基于生成式对抗网络的半监督学习研究

发布时间：2021-06-15 18:00

　　人工智能的地位已经上升到国家战略层面,而作为人工智能核心的机器学习无疑具有巨大的发展潜力,甚至有可能成为下一阶段产业革命的主动力。然而,传统监督学习需要足够多的有类标数据作为监督学习算法的支撑,否则就无法获得足够泛化性能的监督学习模型。况且,实际工业应用中,有类标的数据的获得,需要专家经验,耗时耗力。半监督学习由于可以利用少量的有类标数据及大量的无类标数据进行训练,并在实际应用中取得较好的结果。然而目前,半监督学习领域的研究大多集中于采用基于类标渗透及数据分布模型的思想解决类标数据不足的问题,类标渗透类算法利用有类标数据预训练得到一个学习器,并通过不断优化该学习器并给无类标数据贴标签的方式进行模型’训练,如S3VM、Tri-Training等;现有的数据分布类算法假设样本服从某种分布,并通过有类标数据及无类标数据共同确定模型参数。针对上述问题,本文提出了基于生成式对抗网络的半监督学习模型,该方法利用生成式对抗网络能自适应地生成与所给真实样本相似的伪样本这一特性,有效地生成所需训练数据,打破了原有半监督学习算法的局限性。首先初始化模型,然后选择具有高置信度样本,扩充标记到原数据集合中。再... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

图１－２半监督学习示例图??

GAN算法模型图

图３－２?ＧＡＮ网络结构图??图中，生成器输入为任意维度的噪声数据，输出为与真实数据维度一致的伪数??据，并将其与真实数据混合作为判别器的输入，判别器输出为１或０，代表数据??

【参考文献】：
期刊论文
[1]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)
[2]BP人工神经网络自适应学习算法的建立及其应用[J]. 李晓峰,徐玖平,王荫清,贺昌政.  系统工程理论与实践. 2004(05)

博士论文
[1]流形学习中的若干问题研究[D]. 高小方.山西大学 2011
[2]基于支持向量机和流形学习的分类方法研究[D]. 陶晓燕.西安电子科技大学 2008

硕士论文
[1]半监督学习及其在社交媒体分析中的应用[D]. 杜俊.华北电力大学 2015
[2]基于图的半监督图像分类[D]. 白艺娜.陕西师范大学 2014
[3]基于半监督学习方法的情感分析研究[D]. 刘晓玲.天津财经大学 2012



本文编号：3231519