半监督和度量学习的结合开题报告

全文总字数：7382字

1. 研究目的与意义（文献综述）

1.1研究背景

随着时代和科技的发展，我们的社会正在朝着大数据时代和人工智能方向不断发展前进。人类社会的各个角落都积累了大量数据，亟需能有效地对数据进行分析利用的计算机算法，而机器学习恰好顺应了大时代的这个迫切需求。机器学习作为一门涉及概率论、统计学、逼近论、算法复杂度理论等多门学科的多领域交叉学科，研究使用计算机模拟和实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习不仅是人工智能的核心，在数据的分析和挖掘上也有着重大作用。由于深度学习往往需要大量的标签数据，而在很多现实生活中需要使用到机器学习的情况和领域中很难收集到大量的标签数据，所以深度学习模式难以运用于这些情况。因此，只需要少量标签数据和大量无标签数据的半监督学习方式在现实中具有很大的研究意义。此外，度量学习通过度量方法判断样本间的相似性，能够提高模型的性能，是机器学习中的一种简单实用的方法。因此，对于这两种方法的结合进行的研究是符合现如今的发展趋势的。

1.2国内外现状

2. 研究的基本内容与方案

2.1基本内容

2.1.2半监督学习

让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习(semi-supervisedlearning)。半监督学习的现实需求非常强烈，因为在现实应用中往往能容易地收集到大量未标记样本，而获取“标记”却需耗费人力、物力。半监督学习恰是提供了一条利用“廉价”的未标记样本的途径。

3. 研究计划与安排

1—2周，完成开题报告和文献翻译，完成开题答辩；

3—4周，学习经典半监督和课程学习方法；

5—7周，学习经典度量学习方法；

4. 参考文献（12篇以上）

(1)机器学习，周志华，清华大学出版社，2016

(2)y.bengio, j.louradour, r.collobert,j.weston, curriculum learning, proc.int'lconf.machine learning,2009.access atacm

(3)laine, samuli and timo aila. temporalensembling for semi-supervised learning. arxiv abs/1610.02242 (2016): n. pag.