Fatal编程技术网
  • machine-learning/
  • Machine learning Keras是否有可能实现无监督数据增强（UDA）的一致性损失？

Machine learning Keras是否有可能实现无监督数据增强（UDA）的一致性损失？

machine-learning keras deep-learning

Machine learning Keras是否有可能实现无监督数据增强（UDA）的一致性损失？,machine-learning,keras,deep-learning,loss-function,Machine Learning,Keras,Deep Learning,Loss Function,我正在读一篇论文：去年由谷歌和CMU撰写。我认为对未标记的数据使用数据扩充，并为稳健性增加一致性损失的方法很有趣。例如，图中显示最终损失由普通监督损失和非监督损失部分组成。作者对未标记数据进行了扩充，如果模型对未标记数据及其扩充给出了不同的预测，那么差异（本文中的KL距离）将是模型的一致性损失。 我想在我以前的一些模型上尝试这种方法，这些模型是用Keras编写的。我只在Tensorflow和PyTorch中找到了这种方法的一些实现。我想知道是否有可能在Keras中也实施这种结构？由于我只有在K

我正在读一篇论文：去年由谷歌和CMU撰写。我认为对未标记的数据使用数据扩充，并为稳健性增加一致性损失的方法很有趣。例如，图中显示最终损失由普通监督损失和非监督损失部分组成。作者对未标记数据进行了扩充，如果模型对未标记数据及其扩充给出了不同的预测，那么差异（本文中的KL距离）将是模型的一致性损失。

我想在我以前的一些模型上尝试这种方法，这些模型是用Keras编写的。我只在Tensorflow和PyTorch中找到了这种方法的一些实现。我想知道是否有可能在Keras中也实施这种结构？由于我只有在Keras中构建有监督学习部分的经验，有人能给出一些关于如何在Keras中实现无监督一致性损失部分的想法吗

谢谢