首發：AI公園公眾號
作者：Andre Ye
編譯：ronghuaiyang

導讀

為什么半監督學習是機器學習的未來。

監督學習是人工智能領域的第一種學習類型。從它的概念開始，無數的算法，從簡單的邏輯回歸到大規模的神經網絡，都已經被研究用來提高精確度和預測能力。
然而，一個重大突破揭示了添加“無監督數據”可以提高模型泛化和性能。事實上，在非常多的場景中，帶有標簽的數據并不容易獲得。半監督學習可以在標準的任務中實現SOTA的效果，只需要一小部分的有標記數據 —— 數百個訓練樣本。
在這個我們對半監督學習的探索中，我們會有：

1. _半監督學習簡介_。什么是半監督學習，它與其他學習方法相比如何，半監督學習算法的框架/思維過程是什么？
2. _算法：Semi-Supervised GANs_。與傳統GANs的比較，過程的解釋，半監督GANs的性能。
3. _用例和機器學習的未來_。為什么半監督學習會有如此大的需求，哪里可以應用。

半監督學習介紹

半監督學習算法代表了監督和非監督算法的中間地帶。雖然沒有正式定義為機器學習的“第四個”元素(監督、無監督、強化)，但它將前兩個方面結合成一種自己的方法。
這些算法操作的數據有一些標簽，但大部分是沒有標簽的。傳統上，人們要么選擇有監督學習的方式，只對帶有標簽的數據進行操作，這將極大地減小數據集的規模，要么，就會選擇無監督學習的方式，丟棄標簽保留數據集的其余部分，然后做比如聚類之類的工作。

這在現實世界中是很常見的。由于標注是很昂貴的，特別是大規模數據集，特別是企業用途的，可能只有幾個標簽。例如，考慮確定用戶活動是否具有欺詐性。在100萬用戶中，該公司知道有1萬用戶是這樣的，但其他9萬用戶可能是惡意的，也可能是良性的。半監督學習允許我們操作這些類型的數據集，而不必在選擇監督學習或非監督學習時做出權衡。
一般來說，半監督學習算法在這個框架上運行：

1. 半監督機器學習算法使用有限的標記樣本數據集來訓練自己，從而形成一個“部分訓練”的模型。
2. 部分訓練的模型對未標記的數據進行標記。由于樣本標記數據集有許多嚴重的限制(例如，在現實數據中的選擇偏差)，標記的結果被認為是“偽標簽”數據。
3. 結合標記和偽標簽數據集，創建一個獨特的算法，結合描述和預測方面的監督和非監督學習。

半監督學習利用分類過程來識別數據資產，利用聚類過程將其分成不同的部分。

算法：Semi-Supervised GAN

半監督的GAN，簡稱為SGAN，是[生成對抗網絡](https://medium.com/analytics-... -an-直覺解釋-革命概念-2f962c858b95)架構的一個變體，用于解決半監督學習問題。
在傳統的GAN中，判別器被訓練來預測由生成器模型生成的圖像是真實的還是假的，允許它從圖像中學習判別特征，即使沒有標簽。盡管大多數人通常在GANs中使用訓練很好的生成器，可以生成和數據集中相似的圖像，判別器還是可以通過以轉移學習作為起點在相同的數據集上建立分類器，允許監督任務從無監督訓練中受益。由于大部分的圖像特征已經被學習，因此進行分類的訓練時間和準確率會更好。
然而，在SGAN中，判別器同時接受兩種模式的訓練：無監督和監督。

• 在無監督模式中，需要區分真實圖像和生成的圖像，就像在傳統的GAN中一樣。
• 在監督模式中，需要將一幅圖像分類為幾個類，就像在標準的神經網絡分類器中一樣。

為了同時訓練這兩種模式，判別器必須輸出1 + _n_個節點的值，其中1表示“真或假”節點，_n_是預測任務中的類數。
在半監督GAN中，對判別器模型進行更新，預測K+1個類，其中K為預測問題中的類數，并為一個新的“_假_”類添加額外的類標簽。它涉及到同時訓練無監督分類任務和有監督分類任務的判別器模型。整個數據集都可以通過SGAN進行傳遞 —— 當一個訓練樣本有標簽時，判別器的權值將被調整，否則，分類任務將被忽略，判別器將調整權值以更好地區分真實的圖像和生成的圖像。

雖然允許SGAN進行無監督訓練，允許模型從一個非常大的未標記數據集中學習非常有用的特征提取，但有監督學習允許模型利用提取的特征并將其用于分類任務。其結果是一個分類器可以在像MNIST這樣的標準問題上取得令人難以置信的結果，即使是在非常非常少的標記樣本(數十到數百個)上進行訓練。
SGAN巧妙地結合了無監督和監督學習的方面，強強聯合，以最小的標簽量，產生難以置信的結果。

用例和機器學習的未來

在一個可用數據量呈指數級增長的時代，無監督數據根本不能停下來等待標注。無數真實世界的數據場景會像這樣出現 —— 例如，YouTube視頻或網站內容。從爬蟲引擎和內容聚合系統到圖像和語音識別，半監督學習被廣泛應用。
半監督學習將監督學習和非監督學習的過擬合和“不擬合”傾向(分別)結合起來的能力，創建了一個模型，在給出最小數量的標記數據和大量的未標記數據的情況下，可以出色地執行分類任務。除了分類任務，半監督算法還有許多其他用途，如增強聚類和異常檢測。盡管這一領域本身相對較新，但由于在當今的數字領域中發現了巨大的需求，算法一直在不斷地被創造和完善。
半監督學習確實是機器學習的未來。

—END—

英文原文：https://towardsdatascience.co...

推薦閱讀

• 多攝像頭實時目標跟蹤和計數，使用YOLOv4，Deep SORT和Flask
• 使用深度學習從視頻中估計車輛的速度
• 圖像分割2020總結：結構，損失函數，數據集和框架

關注圖像處理，自然語言處理，機器學習等人工智能領域,請點擊關注AI公園專欄。
歡迎關注微信公眾號

審核編輯：符乾江