¿Cuáles son algunas aplicaciones del aprendizaje semi-supervisado?

Bueno, puede entrenar previamente (como en la respuesta de Matthew), que es un enfoque de aprendizaje de dos fases (una fase no supervisada para construir un modelo generativo, luego una fase supervisada donde los parámetros del modelo generativo se vuelcan en uno supervisado). que posteriormente se ajusta en muestras etiquetadas). Sin embargo, existen alternativas, como el aprendizaje de modelos híbridos, que le permiten explotar los beneficios del entrenamiento previo sin la dificultad. (Algunos ejemplos incluyen: http://www.david-reitter.com/pub …, http://www.aclweb.org/anthology/ … que derivan / se relacionan con un trabajo anterior, http: // mi. eng.cam.ac.uk/~jal62/p …).

En este caso, construye un modelo (en este caso, uno neuronal profundo) en muestras etiquetadas y no etiquetadas al aprender los modelos discriminativos y generativos al mismo tiempo en un entorno de objetivos múltiples. Además, entre otros beneficios, puede rastrear la pérdida supervisada o el error de clasificación (a diferencia del entrenamiento previo en algunos casos) ya que lo que le interesa es ver cómo los aspectos generativos del modelo afectan el rendimiento discriminativo final.

Para responder a la pregunta específica, dado que usted pregunta acerca de las aplicaciones del aprendizaje semi-supervisado, diría que la mayoría de los problemas que implican tener solo un pequeño conjunto de ejemplos etiquetados difíciles de obtener y muchos de ellos sin etiquetar son fáciles de adquirir. Solicitudes candidatas. Esto significaría que podría tomar cualquier tarea supervisada común (como una clasificación o regresión) y plantearla en su forma semi-supervisada.

Por ejemplo, supongamos que posee un corpus de documentos con menos de 1000 muestras que tienen metadatos que pueden usarse para identificar su tema principal y el resto son solo documentos que tienen el texto. Normalmente, todo su corpus / colección está etiquetado, lo que lo convierte en una tarea supervisada normal, pero aquí, le faltan la mayoría de los objetivos supervisados. Incluso hemos visto enfoques más antiguos que obtienen un rendimiento mejorado en este entorno (como un clasificador Naive Bayes semi-supervisado o Naive Bayes construido bajo Maximización de Expectativas).