Asymptotic Bayes Risk for Gaussian Mixture in a Semi-Supervised Setting
Asymptotic Bayes Risk for Gaussian Mixture in a Semi-Supervised Setting
复制标题
半监督环境中高斯混合的渐近贝叶斯风险
DOI：
10.1109/camsap45676.2019.9022623
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Léo Miolane
中科院分区：
文献类型：
--
作者：
M. Lelarge;Léo Miolane
半监督学习（SSL）使用未标记的数据进行培训，并且与可用的标签数据相比，已证明可以大大提高性能。该主张既取决于可用的数据可用数据的数量，又取决于所使用的算法。在本文中，我们在简单的高维高斯混合物模型中，使用标记和未标记的数据分析了最佳的标记数据中最佳全面监督方法与最佳的半监督方法之间的差距。由于未标记的数据，我们量化了获得的性能的最佳提高，即，由于未标记的数据中包含的信息，我们计算了准确性提高。
Semi-supervised learning (SSL) uses unlabeled data for training and has been shown to greatly improve performances when compared to a supervised approach on the labeled data available. This claim depends both on the amount of labeled data available and on the algorithm used. In this paper, we compute analytically the gap between the best fully-supervised approach on labeled data and the best semi-supervised approach using both labeled and unlabeled data, in a simple high-dimensional Gaussian mixture model. We quantify the best possible increase in performance obtained thanks to the unlabeled data, i.e. we compute the accuracy increase due to the information contained in the unlabeled data.