【牛津大学博士论文】探索用于半监督学习的概率模型

文章预览

来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 本论文进一步探索了SSL的概率模型。借助广泛使用的贝叶斯近似工具——蒙特卡洛（MC） dropout，我提出了一种新的概率框架，即生成贝叶斯深度学习（GBDL）架构，用于半监督医学图像分割。 深度神经网络因其强大的性能，越来越多地应用于计算机视觉任务。然而，它们的训练需要大规模的标注数据集，而这些数据集的准备工作耗时费力。半监督学习（SSL）通过结合标注数据和未标注数据进行学习，提供了一种解决方案。 虽然大多数最先进的SSL方法采用确定性方法，但对其概率模型的探索仍然有限。研究这一领域非常重要，因为概率模型可以提供不确定性估计，这在实际应用中至关重要。例如，由于未标注数据中的潜在伪标签错误，SSL训练的模型可能不如监督学习训练的模型，且这些模型在实践中 ………………………………