基于一致性训练的半监督虚假招聘广告检测模型

虚假招聘广告的泛滥不仅会损害求职者的合法权益,还会扰乱正常的就业秩序,造成求职者极差的用户体验。为了有效检测出虚假招聘广告,提出一种基于一致性训练的半监督虚假招聘广告检测模型(SSC)。首先,对所有数据应用一致性正则项提升模型的性能;然后,通过联合训练的方式整合有监督损失和无监督损失得到半监督损失;最后,使用半监督损失对模型进行优化。在两个真实数据集EMSCAD(EMployment SCam Aegean Dataset)和IMDB(Internet Movie DataBase)上的实验结果表明,SSC在标签数据仅为20时取得了最好的检测效果,准确率与现有先进的半监督学习模型UDA(Unsupervised Data Augmentation)相比提升了2.2和2.8个百分点,与深度学习模型BERT(Bidirectional Encoder Representations from Transformers)相比提升了3.4和11.7个百分点,同时还具有较好的可拓展性。

基于插值一致性的半监督三维目标分类算法

针对有大量无标签数据与少量有标签数据的三维目标分类任务,提出了一种基于插值一致性的半监督三维目标分类算法。采用插值一致性训练(ICT)方式,使少量有标签样本经过分类网络得到的预测值更接近真实值,并激励无标记点处插值的预测与这些点处预测的插值趋于一致。该训练方式使得决策边界移至数据分布的低密度区域,进而提高小样本数据情形下的分类效果。在公开数据集ModelNet10上进行了分类效果测试,识别精度达到93.92%。实验结果表明,该算法能够充分利用少量标签数据与大量无标签数据,有效地完成识别分类任务。

面向不完全标注场景的知识获取

为充分利用数据集中已有的标注信息来增强模型训练效果,提出了一种面向不完全标注场景的一致性训练框架,将关联任务的标注信息作为输入的一部分,通过一致性训练使模型输出中尽可能附带上辅助的标注信息。为减少生成模型对于相同输入的输出偏差,在辅助任务中将蒸馏数据作为了输出空间概率分布的教师指导。试验结果表明,该框架在不干扰原有抽取任务的情况下,可将其他任务标注作为辅助信息注入目标任务中,从而提升了整体知识抽取效果。

流形正则化的交叉一致性语义分割算法

目的为有效解决半监督及弱监督语义分割模型中上下文信息缺失问题,在充分考虑模型推理效率的基础上,提出基于流形正则化的交叉一致性语义分割算法。方法首先,以交叉一致性训练模型作为骨架网络,通过骨架网络获得预测分割图像。其次,对输入域图像和输出域图像进行子图像块划分,以获取具有相同几何结构的数据对。再次,通过原始图像和分割图像的子图像块,计算输入数据与预测结果所处流形曲面上的潜在几何约束关系,并根据不同的训练方式分别设计半监督及弱监督的正则化算法。最后,利用流形约束的结果进一步优化图像分割网络中的参数,并通过反复迭代使半监督或弱监督的语义分割模型达到最优。结果通过加入流形正则化约束,捕获了图像中上下文信息,降低了网络前向计算过程中造成的本征结构的损失,在不改变网络结构的前提下提高了算法精度。为验证算法的有效性,实验分别在半监督和弱监督两种不同类型的语义分割中进行了对比,在PASCAL VOC 2012(pattern analysis,statistical modeling and computational learning visual object classes 2012)数据集上,对半监督语义分割任务,本文算法比原始网络提高了3.7%,对弱监督语义分割任务,本文算法比原始网络提高了1.1%。结论本文算法在不改变原有网络结构的基础上,提升了半监督及弱监督图像语义分割模型的精度,尤其对图像中几何特征明显的目标与区域,精度提升更加明显。

程序设计教学中如何引导学生进行标志设置

在程序设计中设置标志是常用的、基础的算法手段,掌握标志设置是教学目标之一。教师应从设计思想高度来对待标志设置,而具体的教学活动要从讲解算法实例开始。通过对精选实例的分析来逐步展示标志设置的思想方法,同时在实践环节中加强一致性训练,使实验课教学密切配合课堂教学,在每个教学阶段和每个教学环节都作总结,以实现理论与实践的互动,最终提高学生的程序设计能力。