semi-supervised-learning 深度学习半监督相关算法，主要是文献《Mean teachers are better role models》算法，经测试在一般分类问题上精度都会有几个点的提升。 1.数据存放到data目录，每个类别图片存放到一个文件里面，然后用makelist生成列表文件：path label，把无标签的数据标签设置为：-1 2.运行mean_teacher.py

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

基于有监督的虚假评论检测方法受限于标注语料的规模，为了更好地利用未标注评论数据来提高分类器的正确率和泛化能力，本文提出一种基于半监督主动学习的虚假评论检测方法。首先，定义并提取评论内容特征以及评论者行为特征，结合这两类特征来对虚假评论进行检测。然后，采用基于熵的主动学习算法选择对学习最有帮助的评论样本，获得其类别标注，将其合并到基于Tri-training的半监督学习算法的训练集中，利用大量未标注评论数据进行学习，提升分类器性能。最后，在领域评论数据集上进行实验，结果表明，将半监督学习与主动学习相结合，能够更有效的利用未标注评论数据，从而有效地提高虚假评论检测的效果。

达斯尔 Dassl是一个工具箱，旨在研究领域适应和半监督学习（因此而命名为Dassl ）。它具有模块化设计和统一的界面，可以快速进行原型设计和新DA / SSL方法的试验。使用Dassl，只需几行代码即可实现一种新方法。 您可以将Dassl用作库进行以下研究： 领域适应 域泛化 半监督学习 什么是新的 [2021年3月]我们刚刚在上发布了关于域泛化的调查，该调查总结了该主题的十年发展情况，涵盖了历史，相关问题，数据集，方法论，潜力方向等等。 [2021年1月]我们最近的工作 （混合不同域样本的实例级特征统计信息以改善域泛化）已被ICLR'21接受。该代码已在中发布，其中跨域图像分类部分基于Dassl.pytorch。 [2020年5月] v0.1.3 ：添加了Digit-Single数据集，用于对单源DG方法进行基准测试。相应的CNN模型为 ，数据集配置文件为 。参见了解如何评估您的方

极限学习机ELM+OSELM+KELM+半监督SSELM+USELM的matlab程序(附完整代码)

AAE-PyTorch 对抗自动编码器（基本/半监督/监督）

Keras梯形网络的半监督学习 这是Keras中Ladder Network的实现。 阶梯网络是半监督学习的模型。 请参阅A Rasmus，H Valpola，M Honkala，M Berglund和T Raiko题为“进行”的论文。 此实现已在我们的论文《的正式代码中。 该代码可以发现和博客文章，可以发现 仅使用100个带标签的示例，该模型即可在MNIST上实现98％的测试准确性。 该代码仅适用于Tensorflow后端。 要求 Python 2.7 + / 3.6 + Tensorflow（1.4.0） 麻木 keras（2.1.4） 请注意，其他版本的tensorflow / keras也应该起作用。 如何使用 加载数据集 from keras . datasets import mnist import keras import random # get the da

半监督支持向量机回归模型研究，冀杰，程玉虎，利用支持向量机和K近邻学习器的优点，提出一种半监督支持向量机回归模型。支持向量机通过选择高置信度的未标记样本加以标记，并��

Code for the AAAI 2018 publication "SEE: Towards Semi-Supervised End-to-End Scene Text Recognition"