详细地表述了半监督学习的适用范围，以及算法和注意事项。

基于分歧的半监督学习 基于分歧的半监督学习

 文中提出了一种肝脏在CT（Computed Tomography）图像中的半监督自动分割方法。该方法采用深度协同训练模型以解决医学图像领域中有标签数据获取困难且成本高的问题。首先利用有标签数据建立U-Net和2D V-Net两种分割网络，并分别对无标签数据进行分割，然后对分割结果进行粗略挑选，再进行精细挑选，最后将置信度较高的伪标签加入到训练集中，重复此过程直到对验证集分割结果的Dice值不再增大时为止。提出的方法可以减少迭代过程中累积的误差，在2017 Liver Tumor Segmentation（LiTS）数据集上的结果表明，该方法与全监督学习相比可以有效提高分割精度。

对于学习机器学习算法中的半监督学习算法有一定的帮助。

琥珀酰化是蛋白质翻译后修饰（PTM）的一种广泛类型，在调节蛋白质构象，功能和理化性质方面起着重要作用。 与劳动密集和费时的实验方法相比，琥珀酰化位点的计算预测由于其方便快捷的速度而非常可取。 当前，已经开发了许多计算模型以通过各种类型的两类机器学习算法来识别PTM站点。 这些方法需要正样本和负样本进行训练。 但是，很难指定PTM的负样本，如果不能正确完成，会极大地影响计算模型的性能。 因此，在这项工作中，我们将正样本仅学习（PSoL）算法首次应用于琥珀酰化位点预测问题，这是一类特殊的半监督机器学习，它使用正样本和未标记样本来训练模型。 同时，我们通过使用多种特征编码方案，提出了一种新颖的琥珀酰位点计算预测子，称为SucPred（琥珀酰位点预测子）。 通过使用SucPred预测变量，在训练数据集上进行5倍交叉验证并在独立测试数据集上进行了5倍交叉验证，其准确性为88.65％，这表明此处介绍的仅用于学习算法的阳性样本特别有用用于鉴定蛋白质琥珀酰化位点。 此外，仅用于正样本的学习算法可以轻松地为其他类型的PTM网站建立预测器。 开发了用于预测琥珀酰化位点的Web服务器，该服务器可从http:

优化半监督学习 该matlab代码提供了已开发和分发的原始版本的计算优化版本。 提供了一个matlab代码来近似拉普拉斯特征向量。 他计算了Laplace Beltrami算子的本征函数，然后对其进行插值以计算laplacian本征向量。 该matlab代码提供了用于计算近似拉普拉斯特征向量的优化过程。 下图显示了使用三种不同过程计算拉普拉斯平滑度的时间分析。 使用精确的拉普拉斯特征向量（EigVector） 使用Laplace Beltrami算子本征函数（Eigfunctions-Fergus） 对Laplace Beltrami算子本征函数使用优化方法（Eigfunctions-Taha） ＃＃动机 我们将交互式图像分割问题转换为半监督学习问题。 我们使用了 matlab代码来测试我们想法的有效性。 尽管结果令人鼓舞，但为小图像计算拉普拉斯平滑度所需的时间太大。 因此，我们优

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。

PG学习 一种用于半监督学习的高效有效的学习图算法。 （MATLAB代码） 说明：运行代码和示例 在使用代码之前，您应该编译util / lib / mtimesx /文件夹中的mtimesx lib。 请参考 。 对于Mac OS用户，您可以首先使用Homebrew安装openblas库，然后运行 bias_lib = 'path to libblas.dylib' mex('-DDEFINEUNIX','-largeArrayDims','mtimesx.c',blas_lib) 安装所需的库后，您应该在根文件夹EXCUTE的main.m。 之后，您可以在根文件夹下运行所有​​的matlab文件。 在示例文件夹中，我们提供了有关单线程版本PG-Learn，超宽带并行版本PG-Learn以及一些基线的示例，其中包括网格搜索，随机搜索，MinEnt，AEW和IDML。 此外，我们还提供

半监督学习pdf讲义超详细

在微博谣言检测中，对微博谣言进行正确标注需要耗费大量的人力和时间，同时数据类别的不平衡也影响了微博谣言的正确识别。为了解决该问题，提出一种基于Co-Forest算法针对不平衡数据集的改进方法，利用SMOTE算法和分层抽样平衡数据分布，并通过代价敏感的加权投票法来提高对未标记样本预测的正确率。该方法只需要对少量训练数据实例进行谣言类别标注即可有效检测谣言。10组UCI测试数据和2组微博谣言的实证实验证明了算法有效性。