Semi-Supervised Learning guided by the Generalized Bayes Rule under Soft Revision

我们对Gamma-Maximin方法进行了理论和计算研究，该方法近期被提出作为半监督学习中伪标签选择（PLS）的鲁棒准则。与传统的PLS方法相反，我们使用先验的置信集（“广义贝叶斯”）来表示认知建模不确定性。然后，这些后验置信集通过Gamma-Maximin方法进行软修订。最终，我们选择在更新的置信集中，基于最不利分布最有可能的伪标记数据。我们将找到基于Gamma-Maximin方法进行软修订的最优伪标记数据任务形式化为一个优化问题。对于逻辑模型类的具体实现，我们可以比较该方法与竞争方法的预测能力。观察到，Gamma-Maximin方法在标记数据比例低的情况下，尤其是可以取得非常有希望的结果。

本论文旨在解决半监督学习中伪标签选择的问题，提出了Gamma-Maximin方法与软修订的方法，使用可信度集合的先验概率来表示认知建模不确定性。

使用可信度集合的先验概率来表示认知建模不确定性，并使用Gamma-Maximin方法与软修订的方法来更新这些先验概率，最终选择在最不利分布下最有可能的伪标记数据。

论文使用了Gamma-Maximin方法与软修订的方法，实现了逻辑模型的具体实现，并与竞争方法进行了比较。实验结果表明，该方法在标记数据比例较低的情况下表现出很有前途的结果。

在半监督学习领域，还有一些相关的研究，例如“Deep Co-Training for Semi-Supervised Image Recognition”和“Semi-Supervised Learning with Deep Generative Models”。