SSL is a mainstream methodology for

SSL is a mainstream methodology for exploiting unlabeled data to improve the prediction
accuracy. Generally, SSL can be classified into four categories [Zhou and Li
2010], that is, generative methods [Fujino et al. 2005; Miller and Uyar 1997; Nigam
et al. 2000], S3VMs (Semi-Supervised Support Vector Machines) [Xu and Schuurmans
2005; Joachims 1999; Chapelle and Zien 2005], graph-based methods [Zhu et al. 2003;
Zhou et al. 2004], and disagreement-based methods [Blum and Mitchell 1998; Zhou and
Li 2010]. Generative methods conduct maximum likelihood estimation to determine
the parameters of models, where the labels of unlabeled data are treated as missing
values. S3VMs usually utilize unlabeled data to adjust the decision boundary built
from labeled examples. In graph-based methods, the SSL problem can be addressed by
propagating the label information in a graph constructed from labeled and unlabeled
data where each node corresponds to one instance. The key of disagreement-based
methods is to generate multiple learners, let them collaborate to exploit unlabeled
data, and maintain a disagreement among the base learners. This line of research
started by Blum and Mitchell [1998]’s seminal work on cotraining, which is a multiview
learning algorithm. Zhou and Li [2005a] proposed a Semi-Supervised Regression
(SSR) approach, COREG, which employs two kNN regressors to conduct the data labeling
and the predictive confidence estimation. COREG does not require multiviews, it utilizes
kNN as the base regressor since it is easy to update and smoothly consistent with the
manifold assumption of SSL. In COREG, the most confidently labeled example is determined
as the one which makes the regressormost consistent with labeled data. Though
studies of disagreement-based SSL approaches started from multiview setting [Blum
and Mitchell 1998], there are many successful algorithms that do not require multiviews
[Zhou and Li 2005a, 2010]. Recently, theoretical studies showed that multiview
is not really needed for disagreement-based algorithms [Wang and Zhou 2007,
2010b].

ผลลัพธ์ (ไทย) 1:

SSL เป็นวิธีหลักสำหรับ exploiting ข้อมูลเพียงเพื่อปรับปรุงการคาดเดาความถูกต้อง ทั่วไป SSL อาจแบ่งได้เป็น 4 ประเภท [โจวและ Li2010], คือ generative วิธี [กิฟูจิ et al. 2005 มิลเลอร์และ Uyar 1997 NigamS3VMs et al. 2000], (สนับสนุนกึ่งมีเวกเตอร์เครื่อง) [Xu และ Schuurmans2005 ปี 1999 Joachims ปัค Zien 2005], กราฟตามวิธี [ซู et al. 2003โจว et al. 2004], และวิธีที่ใช้กัน [สุ่มและ Mitchell 1998 โจว และหลี่ 2010] วิธี generative ดำเนินการประเมินความเป็นไปได้สูงสุดในการกำหนดพารามิเตอร์ของแบบจำลอง ที่ป้ายชื่อข้อมูลไม่จะถือว่าเป็นการขาดหายไปค่า S3VMs มักจะใช้ข้อมูลเพียงเพื่อปรับขอบเขตการตัดสินใจที่สร้างขึ้นจากป้ายตัวอย่าง ในวิธีใช้กราฟ ปัญหา SSL สามารถส่งโดยป้ายชื่อข้อมูลเป็นกราฟที่สร้างจากป้าย และไม่เผยแพร่ข้อมูลที่แต่ละโหนตรงกับอินสแตนซ์เดียว คีย์ของใช้กันวิธีคือการ สร้างผู้เรียนหลาย ให้ทำงานร่วมกันเพื่อใช้ประโยชน์เพียงข้อมูล และรักษาฐานผู้เรียนเห็นพ้อง สายงานวิจัยนี้เริ่มต้น โดยการสุ่มและ Mitchell [1998] ของงานบรรลุถึงใน cotraining ซึ่งเป็น multiviewอัลกอริทึมการเรียนรู้ นำเสนอถด Semi-Supervised โจวและ Li [2005a]วิธีการ (SSR) COREG ที่มี regressors kNN สองการดำเนินการติดฉลากข้อมูลและการประเมินความเชื่อมั่นคาดการณ์ COREG ต้อง multiviews มันใช้kNN เป็น regressor ฐานเป็นปรับปรุงง่าย และราบรื่นสอดคล้องกับการอัสสัมชัญความหลากหลายนับของ SSL ใน COREG ขึ้นตัวอย่างป้ายสุดมั่นที่ ซึ่งทำให้ regressormost ที่สอดคล้องกับข้อมูลป้าย แม้ว่าศึกษาวิธีการ SSL ที่ใช้กันเริ่มจากการตั้งค่า multiview [สุ่มและ Mitchell 1998], มีกระบวนการประสบความสำเร็จมากมายที่ไม่จำเป็นต้อง multiviews[โจวและ Li 2005a, 2010] ล่าสุด ศึกษาทฤษฎีพบว่า multiviewจริง ๆ ไม่จำเป็นสำหรับใช้กันอัลกอริทึม [วังและโจว 20072010b]

ผลลัพธ์ (ไทย) 2:

SSL เป็นวิธีการหลักในการใช้ประโยชน์จากข้อมูลที่ไม่มีชื่อกำกับเพื่อปรับปรุงการทำนาย
ความถูกต้อง โดยทั่วไป SSL สามารถแบ่งได้เป็นสี่ประเภท [โจวและหลี่
2010] นั่นคือวิธีการกำเนิด [ฟูจิและคณะ 2005; มิลเลอร์และ Uyar 1997; Nigam
และคณะ 2000] S3VMs (Semi-Supervised เทคโนโลยี Support Vector Machines) [Xu และ Schuurmans
2005; Joachims 1999; ชาและ Zien 2005] วิธีกราฟตาม [Zhu et al, 2003;
โจวและคณะ 2004] และวิธีการไม่เห็นด้วยตาม [บลัมและมิทเชล 1998; โจวและ
หลี่ 2010] วิธีการดำเนินการกำเนิดการประเมินความเป็นไปได้สูงสุดที่จะกำหนด
ค่าพารามิเตอร์ของแบบจำลองที่ฉลากของข้อมูลที่ไม่มีป้ายกำกับจะถือว่าเป็นที่ขาดหายไป
ค่า S3VMs มักจะใช้ประโยชน์จากข้อมูลที่ไม่มีชื่อกำกับเพื่อปรับขอบเขตการตัดสินใจที่สร้างขึ้น
จากตัวอย่างที่มีข้อความ ในวิธีการกราฟตามปัญหา SSL สามารถได้รับการแก้ไขโดย
การแพร่กระจายข้อมูลฉลากในกราฟสร้างขึ้นมาจากป้ายและไม่มีป้ายกำกับ
ข้อมูลที่แต่ละโหนดที่สอดคล้องกับหนึ่งในตัวอย่าง กุญแจสำคัญของความขัดแย้งที่ใช้
วิธีการคือการสร้างผู้เรียนหลายปล่อยให้พวกเขาทำงานร่วมกันเพื่อใช้ประโยชน์จากที่ไม่มีป้ายกำกับ
ข้อมูลและการรักษาความไม่เห็นด้วยของผู้เรียนฐาน สายงานวิจัยนี้
เริ่มโดยบลัมและมิทเชล [1998] ของงานที่เกี่ยวกับการ cotraining ซึ่งเป็น MultiView
ขั้นตอนวิธีการเรียนรู้ โจวและหลี่ [2005a] เสนอถดถอยกึ่งภายใต้การควบคุม
วิธีการ (SSR) Coreg ซึ่งมีพนักงานสอง regressors KNN ที่จะดำเนินการติดฉลากข้อมูล
และการประมาณค่าความเชื่อมั่นคาดการณ์ Coreg ไม่ต้องใช้มัลติมันใช้
KNN เป็น regressor ฐานเพราะมันเป็นเรื่องง่ายที่จะปรับปรุงและราบรื่นสอดคล้องกับ
สมมติฐานมากมายของ SSL ใน Coreg ตัวอย่างระบุว่าส่วนใหญ่มีความมั่นใจจะถูกกำหนด
เป็นหนึ่งซึ่งทำให้ regressormost สอดคล้องกับข้อมูลที่มีข้อความ แม้ว่า
การศึกษาของ SSL ความขัดแย้งตามแนวทางที่เริ่มจากการตั้งค่า MultiView [บลัม
และมิทเชล 1998] มีขั้นตอนวิธีการที่ประสบความสำเร็จจำนวนมากที่ไม่จำเป็นต้องมัลติ
[โจวและหลี่ 2005a, 2010] เมื่อเร็ว ๆ นี้การศึกษาแสดงให้เห็นว่าทฤษฎี MultiView
ไม่จำเป็นจริงๆสำหรับกลไกความขัดแย้งตาม [วังและโจว 2007
2010b]

ผลลัพธ์ (ไทย) 3:

SSL เป็นหลักวิธีการสำหรับการใช้ประโยชน์จากข้อมูลที่ใกล้เคียงกันเพื่อปรับปรุงการคาดการณ์
ความถูกต้อง โดยทั่วไป , SSL สามารถแบ่งออกเป็นสี่ประเภท [ โจวและ Li
2010 ] ที่เป็นวิธีการเข้า [ โนะ et al . 2005 มิลเลอร์และ uyar 1997 ; of
et al . 2000 ] , s3vms ( กึ่งดูแลเครื่องเวกเตอร์สนับสนุน ) [ ซู และ schuurmans
joachims 1999 และ 2005 ; ; ชาเปลล์ zien 2548 ]กราฟที่ใช้วิธี [ จู et al . 2003 ;
โจว et al . 2004 ] และข้อขัดแย้งตามวิธีการ [ Blum และมิเชล 1998 ; โจวและ
ลี 2010 ] ้วิธีการดำเนินการเพื่อตรวจสอบความเป็นไปได้สูงสุดประมาณ
พารามิเตอร์ของแบบที่ป้ายข้อมูลใกล้เคียงกันจะถือว่าเป็นการขาด
ค่า s3vms มักจะใช้ข้อมูลใกล้เคียงเพื่อปรับขอบเขตการตัดสินใจขึ้น
จากป้ายตัวอย่างในกราฟโดยวิธีการ SSL ปัญหาสามารถ addressed โดย
เผยแพร่ข้อมูลฉลากในกราฟที่สร้างขึ้นจากที่มีข้อความและข้อมูลที่ใกล้เคียง
แต่ละโหนดที่สอดคล้องกับหนึ่งอินสแตนซ์ กุญแจสำคัญของความขัดแย้ง โดยวิธีการคือการสร้างผู้เรียน
หลาย ให้ความร่วมมือเพื่อใช้ประโยชน์จากข้อมูลใกล้เคียง
, และรักษาความไม่ลงรอยกันระหว่างฐานผู้เรียน สายของการวิจัย
นี้เริ่มโดย Blum และมิเชล [ 1998 ] ทำงานของอสุจิใน cotraining ซึ่งเป็น multiview
การเรียนรู้ขั้นตอนวิธี โจวและ Li [ 2005a ] เสนอกึ่งการถดถอย
( SSR ) วิธีการ coreg ซึ่งพนักงานสอง knn regressors ที่จะนำข้อมูลและการติดฉลาก
ประมาณความเชื่อมั่นการคาดการณ์ . coreg ไม่ต้อง multiviews มันใช้
knn เป็นฐาน regressor ตั้งแต่มันเป็นเรื่องง่ายที่จะปรับปรุงและราบรื่นสอดคล้องกับ
สมมติฐานต่างๆของ SSL ใน coreg สุดมั่นใจว่าอย่างมุ่งมั่น
เป็นหนึ่งซึ่งทำให้ regressormost สอดคล้องกับข้อความข้อมูล แม้ว่าความขัดแย้งตามแนวทางการศึกษาของ
SSL เริ่มต้นจากการตั้งค่า [ multiview Blum
และมิเชล 1998 ]มีหลายคนที่ประสบความสำเร็จขั้นตอนที่ไม่ต้อง multiviews
[ โจวและ Li 2005a , 2010 ] เมื่อเร็วๆ นี้ การศึกษาเชิงทฤษฎีพบว่า multiview
ไม่ได้ต้องการให้ความขัดแย้งตามขั้นตอนวิธี [ วังและโจว (
2010b ]