Laine, Samuli, and Timo Aila. "Temporal Ensembling for Semi-Supervised Learning." arXiv preprint arXiv:1610.02242 (2016).
这篇论文投在ICLR 2017上：https://openreview.net/forum?id=BJ6oOfqge¬eId=BJ6oOfqge
Github: https://github.com/smlaine2/tempens
这篇论文提出了利用ensembling（组合）的方法来完成半监督学习(semi-supervised learning)的任务。
模型：
作者提出了两个模型：
，暂且翻译为 双模型 和 时序组合模型
首先介绍 双模型：
作者让同一个图片输入网络两次，由于有一些随机的因素（dropout, augmentation等），会使得两次的隐藏层的输出（也就是z）会不一样，作者把两个不同的z做差，然后求l2，作为loss的一部分，当然loss的另一部分就是那些有标签数据的交叉熵(cross entropy)。另外，由于模型最开始时是很不准确的，所以产生的z可能没有多大意义，所以需要先对有label的数据进行训练，也就是需要把两次不同的z比较的loss进行屏蔽。作者这里设置了一个随时间变化的变量w(t)，在t=0时，设置w(t)为0，也是z比较的loss权重为0，然后w(t)随着时间增大而增大。
然后介绍时序组合模型：
时序组合模型和双模型的不同点在于，比较的z来源不同。在双模型中，两个z都是来自同一迭代时间内产生的两次结果。但在时序组合模型中，一个z来自上次迭代周期产生的结果，一个z来自当前迭代时间内产生的结果，也就是比较了两次不同时间内产生的z。在时序组合模型中，由于一次迭代期间内，只用产生一次z，那么相比于双模型，它就有了两倍的加速。作者在论文中说，他们使用的以前的z，并不是恰恰上次迭代的z，而是历史z的加权和，即
（这个看着和reinforcement learning 中的reward的更新类似）。这样做的好处是能够保留历史信息，衰减长远历史信息和稳定当前值。
实验：
作者做了半监督学习和监督学习的实验，都取得了不错的效果。作者还说他们的这个模型具有鲁棒性，也就是对错标的数据有一定的容忍性。
评语：方法简单实用