ترجمه فارسی مقاله تقویت یادگیری نیمه نظارتی از طریق انتخاب نمونه نماینده و متنوع

چکیده

Semi-Supervised Learning (SSL) has become a preferred paradigm in many deep learning tasks, which reduces the need for human labor. Previous studies primarily focus on effectively utilising the labelled and unlabeled data to improve performance. However, we observe that how to select samples for labelling also significantly impacts performance, particularly under extremely low-budget settings. The sample selection task in SSL has been under-explored for a long time. To fill in this gap, we propose a Representative and Diverse Sample Selection approach (RDSS). By adopting a modified Frank-Wolfe algorithm to minimise a novel criterion $α$-Maximum Mean Discrepancy ($α$-MMD), RDSS samples a representative and diverse subset for annotation from the unlabeled data. We demonstrate that minimizing $α$-MMD enhances the generalization ability of low-budget learning. Experimental results show that RDSS consistently improves the performance of several popular SSL frameworks and outperforms the state-of-the-art sample selection approaches used in Active Learning (AL) and Semi-Supervised Active Learning (SSAL), even with constrained annotation budgets.

چکیده به فارسی (ترجمه ماشینی)

یادگیری نیمه تحت نظارت (SSL) در بسیاری از کارهای عمیق یادگیری به یک الگوی ارجح تبدیل شده است ، که نیاز به کار انسان را کاهش می دهد.مطالعات قبلی در درجه اول بر استفاده مؤثر از داده های دارای برچسب و بدون برچسب برای بهبود عملکرد متمرکز است.با این حال ، ما مشاهده می کنیم که نحوه انتخاب نمونه ها برای برچسب زدن نیز به طور قابل توجهی بر عملکرد تأثیر می گذارد ، به خصوص در تنظیمات بسیار کم بودجه.کار انتخاب نمونه در SSL مدتهاست که تحت پوشش قرار گرفته است.برای پر کردن این شکاف ، ما یک رویکرد انتخاب نمونه نماینده و متنوع (RDSS) را پیشنهاد می کنیم.با اتخاذ یک الگوریتم اصلاح شده Frank-Wolfe برای به حداقل رساندن معیار جدید $ α $ -maximum میانگین اختلاف ($ α $ -mmd) ، RDSS نمونه ای از نماینده و متنوع برای حاشیه نویسی از داده های بدون برچسب را نمونه می کند.ما نشان می دهیم که به حداقل رساندن $ α $ -mmd توانایی تعمیم یادگیری کم بودجه را افزایش می دهد.نتایج تجربی نشان می دهد که RDSS به طور مداوم عملکرد چندین چارچوب محبوب SSL را بهبود می بخشد و رویکردهای پیشرفته انتخاب نمونه مورد استفاده در یادگیری فعال (AL) و یادگیری فعال نیمه تحت نظارت (SSAL) را حتی با بودجه حاشیه نویسی محدود می کند.