来执行这个程序。 执行此代码是为了获得我们论文的结果：Tran Manh Tuan，Le Hoang Son，“使用具有空间约束的半监督模糊聚类从 X 射线图像进行牙科分割”，已提交

使用师生模型进行人声旋律提取的半监督学习 ISMIR（2020）| “使用师生模型进行人声旋律提取的半监督学习”的源代码| 抽象的 缺少标记数据是许多音乐信息检索任务（例如旋律提取）中的主要障碍，在这些任务中，标记非常费力或成本高昂。 半监督学习（SSL）提供了一种通过利用大量未标记数据来缓解此问题的解决方案。 在本文中，我们提出了一种使用师生模型进行人声旋律提取的SSL方法。 教师模型经过预先标记的数据训练，并指导学生模型在自训练设置中在未标记输入的情况下做出相同的预测。 我们研究了具有不同数据增强方案和损失函数的三种师生模型设置。 此外，考虑到测试阶段标记数据的稀缺性，我们使用分析合成方法从未标记数据中人工生成带有音高标记的大规模测试数据。 结果表明，SSL方法仅针对有监督的学习即可显着提高性能，而这种改进取决于师生模型，未标记数据的大小，自训练迭代的次数以及其他训练细节。 我们还发现

半监督学习 楷模 梯形图网络（带有自动编码器） 临时集合（与CNN） 锐化的临时合奏（带有CNN）（基于临时合奏） 卑鄙的老师（与CNN） MixMatch（带有CNN） 结果 在results.xlsx查看results.xlsx

意味着老师是更好的榜样 ---- ---- ---- 作者：Harti Valpola（）Antti Tarvainen 方法 平均老师是半监督学习的一种简单方法。 它包括以下步骤： 采用受监管的体系结构并复制它。 让我们将原始模型称为学生，将新模型称为老师。 在每个训练步骤中，将相同的小批量用作学生和老师的输入，但分别向输入添加随机增强或噪声。 在softmax之后，在学生和教师的输出之间增加额外的一致性成本。 让优化器正常更新学生权重。 让教师权重为学生权重的指数移动平均值（EMA）。 也就是说，在每个训练步骤之后，将教师的权重向学生的权重稍作更新。 我们的贡献是最后一步。 莱

该代码在matlab2013a环境下实现。在经典的Tri-Training算法上做了改进，三个基分类器采用BP神经网络，附有文档说明。另外，我提供了图像数据集，是对VOC2007中的person对象做了处理，分别提取颜色矩特征（9个属性），灰度共生矩阵特征（17个属性），共9786个样本，两类标签，按照不同比例分为无标记样本和有标记样本。

While labeled data is expensive to prepare, ever increasing amounts of unlabeled data is becoming widely available. In order to adapt to this phenomenon, several semi-supervised learning (SSL) algorithms, which learn from labeled as well as unlabeled data, have been developed. In a separate line of work, researchers have started to realize that graphs provide a natural way to represent data in a variety of domains. Graph-based SSL algorithms, which bring together these two lines of work, have been shown to outperform the state-of-the-art in many applications in speech processing, computer vision, natural language processing, and other areas of Artificial Intelligence. Recognizing this promising and emerging area of research, this synthesis lecture focuses on graphbased SSL algorithms (e.g., label propagation methods). Our hope is that after reading this book, the reader will walk away with the following: (1) an in-depth knowledge of the current stateof- the-art in graph-based SSL algorithms, and the ability to implement them; (2) the ability to decide on the suitability of graph-based SSL methods for a problem; and (3) familiarity with different applications where graph-based SSL methods have been successfully applied.

机器学习通过对数据进行预测来分析研究和构造算法，根据输入建立模型，以做出决策或预测。我们研究了不同的机器学习方法及其技术，作了一个简单的分类及总结，适合机器学习的初始学习者阅读。

用MATLAB实现半监督支持向量机，可用于分类问题中。

片段 Snippext是从用户生成的内容（例如，在线评论）中挖掘意见和客户体验的提取管道。 论文：苗正杰，李玉良，王晓兰，tanh望秋，“ Snippext：具有增强数据的半监督意见挖掘”，载于WebConf（WWW）2020 要求 Python 3.7.5 PyTorch 1.3 HuggingFace变形金刚 带有em_core_web_sm模型的空间 NLTK（停用词，词网） Gensim NVIDIA Apex（FP16培训） 安装所需的软件包 conda install -c conda-forge nvidia-apex pip install -r requirements.txt 下载预训练的BERT模型和word2vec模型（用于数据增强）： wget https://snippext.s3.us-east-2.amazonaws.com/finetuned

针对基于颜色特征空间的半监督聚类分割算法适合分割结果包含多个颜色特征相似目标的应用场合,但对高噪声图像却无法获得理想的分割结果,而基于随机游走理论的半监督图像分割算法需要用户对目标逐一进行标记的问题,提出一种半监督图像分割算法.首先根据用户标记采用半监督模糊C均值聚类(SSFCM)算法对图像颜色特征进行建模;然后引入一个确信度函数,并根据SSFCM算法得到的隶属度数据计算确信度函数值,再将像素分为2类,分别作为随机游走图像分割算法的已标记点和未标记点;最后采用随机游走算法完成最终的分割.实验结果表明,该算法对图像中的噪声具有良好的抑制作用,且无需用户对目标逐一进行标记.