半監督式學習Semi-Supervised Learning

Table of Contents

為何需要半監督式學習Semi-Supervised Learning?

在某些應用場景，由於標註資料不易取得，往往資料集裡面就會有標籤的資料labeled以及無標籤的資料unlabeled data 混雜在一起，甚至無標籤資料量會比有標籤資料量更多，這時候如果採用監督式學習，由於資料量太少的關係，建立的模型效能就會不佳，這時候就需要有半監督式學習來處理這樣的資料，以提升模型的效能。

那到底半監督式學習Semi-Supervised Learning是如何運作的呢?

最主要的核心概念是，需要採用不同方法將無標籤資料納入訓練過程，雖然這些無標籤資料沒有標籤，無法立即使用監督式學習，但是這些資料仍然存在特徵，可以善用這些有的特徵，用不同方法做若干處理，可有效提升模型預測的精確度。

半監督式學習Semi-Supervised Learning有許多種處理方法，其中一種比較簡單的是self-training。以下我們以不同步驟來說明。

步驟

步驟1: 取得資料集，分成有標籤與無標籤的資料。

步驟2: 利用有標籤資料建立預測模型。

步驟3: 輸入無標籤資料至AI模型中進行預測，取得預測結果。

步驟4: 選擇預測高信心度的資料，將這些資料的預測結果視為標籤。

從步驟3可取得許多預測結果，但是模型對這些預測結果，未必每個都非常有把握，所以要從中挑選較為可靠的預測結果，也就是選擇高信心度的資料，將這些資料的預測結果變為標籤，標註在這些資料上面。

步驟5: 將有標籤資料再加入訓練資料集，重新對模型進行訓練。

步驟6: 重複以上步驟2到5。

接下來就是重複步驟，繼續利用產生的新模型，再重新對無標籤的資料進行預測，選擇高信心度資料視為標籤，再加入訓練資料，重新訓練模型，反覆這樣過程。

結論

透過這些過程，就可以將原本無標籤的資料，變成有標籤的資料，然後擴大訓練資料集，提升模型的精確度。這是比較簡單的半監督式學習方法，再使用self training的方法時候，也必須要注意到這個做法會很仰賴初始的訓練資料集所建立的模型，因此，如何確保此模型再預測無標籤資料的結果，有一定的精確度，是非常重要的考量部分。

其它文章:

最近AI原理文章:

Stable Diffusion原理: 文字生成圖片簡易說明

[類神經網路基礎系列專文]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？

4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索

5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理

6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握

7.類神經網路—前向傳播法

8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法