目錄
1 Temporal Ensembling for Semi-Supervised Learning (ICLR 2017)
2 Label Propagation for Deep Semi-supervised Learning (CVPR 2019)
3 Self-supervised Learning for Semi-supervised Time Series Classification (PAKDD 2020)
4 Semi-Supervised Time Series Classification by Temporal Relation Prediction (ICASSP 2021)
1 Temporal Ensembling for Semi-Supervised Learning (ICLR 2017)
動機
貢獻
2 Label Propagation for Deep Semi-supervised Learning (CVPR 2019)
動機
半監督學習正變得越來越重要，因爲它可以將人類精心標記的數據與大量未標記的數據結合起來訓練深度神經網絡。以轉導式學習爲主的經典半監督學習方法在現代深度學習所遵循的歸納框架中沒有得到充分利用。同樣的道理也適用於多種假設——相似的例子應該具有相同的預測。
貢獻
在這項工作中，我們採用了一種基於流形假設的標籤傳播方法對整個數據集進行預測，並利用這些預測對未標記數據生成僞標籤，並訓練一個深度神經網絡。該方法的核心在於我們基於同一網絡的嵌入創建的數據集的最近鄰圖。因此，我們的學習過程在這兩個步驟之間迭代。
3 Self-supervised Learning for Semi-supervised Time Series Classification (PAKDD 2020)
動機
自監督學習是在沒有人工標註的情況下學習代表性特徵的一種很有前途的新技術。 在對訓練數據進行標記非常昂貴和繁瑣的情況下，很自然地可以將自監督學習與半監督學習範式聯繫起來。
貢獻
在這項工作中，我們提出了一個新的半監督時間序列分類模型，它利用了從非標記數據上的自我監督任務學習到的特徵。其思想是利用未標記的訓練數據和預測任務，爲特徵學習提供強大的替代監督信號。我們將已建立的多任務學習方法和模型預測作爲輔助任務，與主要任務分類聯合優化。
4 Semi-Supervised Time Series Classification by Temporal Relation Prediction (ICASSP 2021)
動機
半監督學習(SSL)通過利用未標記數據來減少對大量註釋數據的依賴，在不同的領域被證明是一種強大的算法。然而，很少有人考慮半監督學習範式中未標記時間序列數據的潛在時間關係結構。
貢獻
在這項工作中，我們提出了一種簡單有效的半監督時間序列分類體系(稱爲半監督時間)的方法，通過自監督的方式從無標記數據的結構中獲取。
具體來說，對於有標記的時間序列，SemiTime在有標記的類別標籤的監督下直接進行監督分類。對於未標記的時間序列，從時間序列中採樣過去-未來對的片段，其中來自同一時間序列候選片段的兩個片段是正的時間關係，不同樣本則是負的時間關係。