当对大量的标记数据集合(如ImageNet)进行训练时，深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。

基于半监督学习的遥感图像分类研究_徐庆伶.pdf ,pdf,论文

论文中提出一种监督方法, 其引入一个单一的损失, 将伪标签和一致性正则方法统一于其中. MixMatch 为未标记数据引入了一个统一的损失项, 可以无缝地降低熵, 同时保持一致性并与传统的正则化技术保持兼容.

半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_

研究生期间发表的二作论文《基于自适应图学习的半监督特征选择》

使用 MATLAB 对传感器数据进行基于自动编码器的异常检测 该演示重点介绍了如何使用基于自动编码器的半监督机器学习技术来检测传感器数据中的异常（三缸泵的输出压力）。该演示还展示了如何通过自动代码生成将经过训练的自动编码器部署在嵌入式系统上。自动编码器的优点是可以训练它们用代表正常操作的数据检测异常，即您不需要来自故障的数据。 # 自动编码器基础 自编码器基于神经网络，网络由编码器和解码器两部分组成。编码器将 N 维输入（例如一帧传感器数据）压缩为 x 维代码（其中 x < N），其中包含输入中携带的大部分信息，但数据较少。因此，编码器有点类似于主成

海豹 ⠀ ⠀⠀ 半监督图分类的PyTorch实现：分层图透视（WWW 2019） 抽象的 节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。 图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。 在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图实例。 这导致了分层图的透视图，这种透视图出现在许多领域中，例如社交网络，生物网络和文档收集。 例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而许多用户组则通过交互或普通成员相互连接。 我们在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。 由于标签通常受限于实际数据，因此我们通过谨慎/主动迭代（或简称SEAL-C / AI）设计了两种新颖的半监督解决方案，称为半监督图分类。 SEAL-C / AI采用了一个迭代框架，该框

小样本利器2.文本对抗+半监督 FGSM & VAT & FGM代码实现.doc

小样本利器1.半监督一致性正则 Temporal Ensemble & Mean Teacher代码实现.doc

半监督文本分类的变体自动编码器 所有这些存储库都在标题为“用于半监督文本分类的可变自动编码器”的论文中使用。 列表： data：所有数据文件都保存在此目录中，包括数据，单词嵌入，pretrained_weights。 结果：保存结果模型的目录。 assistant_vae和avae_fixed：在VAE中使用辅助变量的模型，可以产生良好的结果。 它们的不同之处在于是否在生成中固定潜在变量。 SemiSample-S1是带有基于EMA基准的基于采样的优化器的模型 SemiSample-S2是带有VIMCO基线的基于采样的优化器的模型 笔记 该代码有点多余，因为最初的模型是使用辅助变量提出的，但是事实证明，如果没有辅助变量，它也可以很好地工作。 要运行此代码，您可能需要预处理的数据，可以通过给我发送电子邮件（pku.edu.cn上的wead_hsu）获得这些数据。 或者，您也可以使用