目录
1 Temporal Ensembling for Semi-Supervised Learning (ICLR 2017)
2 Label Propagation for Deep Semi-supervised Learning (CVPR 2019)
3 Self-supervised Learning for Semi-supervised Time Series Classification (PAKDD 2020)
4 Semi-Supervised Time Series Classification by Temporal Relation Prediction (ICASSP 2021)
1 Temporal Ensembling for Semi-Supervised Learning (ICLR 2017)
动机
贡献
2 Label Propagation for Deep Semi-supervised Learning (CVPR 2019)
动机
半监督学习正变得越来越重要，因为它可以将人类精心标记的数据与大量未标记的数据结合起来训练深度神经网络。以转导式学习为主的经典半监督学习方法在现代深度学习所遵循的归纳框架中没有得到充分利用。同样的道理也适用于多种假设——相似的例子应该具有相同的预测。
贡献
在这项工作中，我们采用了一种基于流形假设的标签传播方法对整个数据集进行预测，并利用这些预测对未标记数据生成伪标签，并训练一个深度神经网络。该方法的核心在于我们基于同一网络的嵌入创建的数据集的最近邻图。因此，我们的学习过程在这两个步骤之间迭代。
3 Self-supervised Learning for Semi-supervised Time Series Classification (PAKDD 2020)
动机
自监督学习是在没有人工标注的情况下学习代表性特征的一种很有前途的新技术。 在对训练数据进行标记非常昂贵和繁琐的情况下，很自然地可以将自监督学习与半监督学习范式联系起来。
贡献
在这项工作中，我们提出了一个新的半监督时间序列分类模型，它利用了从非标记数据上的自我监督任务学习到的特征。其思想是利用未标记的训练数据和预测任务，为特征学习提供强大的替代监督信号。我们将已建立的多任务学习方法和模型预测作为辅助任务，与主要任务分类联合优化。
4 Semi-Supervised Time Series Classification by Temporal Relation Prediction (ICASSP 2021)
动机
半监督学习(SSL)通过利用未标记数据来减少对大量注释数据的依赖，在不同的领域被证明是一种强大的算法。然而，很少有人考虑半监督学习范式中未标记时间序列数据的潜在时间关系结构。
贡献
在这项工作中，我们提出了一种简单有效的半监督时间序列分类体系(称为半监督时间)的方法，通过自监督的方式从无标记数据的结构中获取。
具体来说，对于有标记的时间序列，SemiTime在有标记的类别标签的监督下直接进行监督分类。对于未标记的时间序列，从时间序列中采样过去-未来对的片段，其中来自同一时间序列候选片段的两个片段是正的时间关系，不同样本则是负的时间关系。