半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

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_

scNym-用于单细胞分类的半监督对抗神经网络 scNym是一个神经网络模型，用于根据单细胞分析数据（例如scRNA-seq）预测细胞类型，并从这些模型中得出细胞类型表示形式。 尽管细胞类型分类是主要的用例，但是这些模型可以将单个细胞概况映射到任意输出类别（例如实验条件）。 我们已经在Genome Research的最新论文中详细描述了scNym 。 如果您发现此工具有用，请引用我们的工作。 我们也有一个研究网站，介绍scNym简报- 用于单细胞分类的半监督对抗神经网络。 雅各布·金梅尔（Jacob C.Kimmel）和大卫·凯利（David R.Kelley）。 基因组研究。 2021. doi： ： BibTeX @article{kimmel_scnym_2021, title = {Semi-supervised adversarial neural networ

Semi-supervised Anomaly Detection using AutoEncoders PDF全文翻译，属于缺陷检测的文档，适合于研究目标检测方面的研究者

Semi-supervised Anomaly Detection using AutoEncoders全文英文注解，适合于英文较好的研究者，看英文的文档更有味道一些

End-to-End Semi-Supervised Learning for Video Action Detection的阅读涂鸦 CVPR 2022 task：端到端的半监督视频动作检测方法

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

具有成对约束的聚类最近在聚类社区中引起了很多关注。 特别地，数据集中给定实例对之间的必须链接约束和不能链接约束是当今许多聚类算法中所包​​含的常识。 事实证明，这种方法可以成功地指导许多著名的聚类算法获得更准确的结果。 但是，最近的工作还表明，必须链接约束和不能链接约束的合并使聚类算法对“实例的分配顺序”过于敏感，因此导致了随后的约束冲突。 本文的主要贡献有两个方面。 一种方法是在执行“无法链接”集合的“广度优先”搜索后，通过强调无法链接实例的有序分配来解决Cop-Kmeans中违反约束的问题。 另一个是通过采用MapReduce框架来降低大数据集的Cop-Kmeans计算复杂度。 实验结果表明，我们的方法在海量数据集上表现良好，同时可以克服约束冲突的问题。