伪标签汇总

伪标签（Pseudo Label）半监督学习中的概念，能够帮助模型更好的从无标注的信息中进行学习。

与完全的无监督学习相比，半监督学习拥有部分的标注数据和大量的未标注数据，更加适合现实场景和竞赛场景。

• 在现实，标注数据少，未标注数据多；

• 在竞赛，训练集有标注，测试集未标注；

在半监督学习中伪标签是其中的方法，思路如下：先利用现有的标注数据，训练模型；利用训练的模型对无标注数据预测；将无标注数据的预测标签和数据加入训练集一起训练；

不是将所有的未标注数据预测后一起进行训练，

• 如果初期有标注的数据集比较少，则每次加入的伪标签也不能很多；

• 上述对未标注数据进行预测和加入训练的过程是迭代进行，不是单次进行的。

在竞赛中伪标签不是万能的，一般情况下伪标签适用于：

• 非结构化数据，使用深度学习的常见下；

• 模型的精度较高的情况下，加入的伪标签才精确；

在竞赛中，根据Kaggle的机制伪标签可以分为：

• 非Kernel赛：线下伪标签，线下预测，进行伪标签训练，再预测；

• Kernel赛：线上伪标签，线上预测，伪标签再训练预测，再预测；

伪标签与软标签：

• 伪标签（Pseudo Label）对未标注数据进行预测，进行二次训练；

• 软标签（Soft Label）对标签转为离散值，进行二次训练；

软标签一般使用在模型蒸馏和某些数据集的训练中，可以让模型学习到样本整体类别分布。同时软标签与硬标签（Hard Label）相比，可以防止模型过拟合，配合mixup一起进行使用。

软标签与伪标签同时使用；在下图中照片的原始标签为car，但照片还有person的类别，如果直接使用硬标签进行训练，会带来一定的模型噪音。可用模型的预测概率结果（每类概率分布）代替原始图片的标签进行训练，这样图片的标签就更加合理，模型训练过程也会更加稳定。

• 在竞赛中如果没有其他涨分的方法，再建议尝试伪标签，否则不建议尝试；

• 伪标签适合用在深度学习方法中，且一般选择预测执行度高的样本加入训练；

• 伪标签是否能使用，需要按照举办方规定；

半监督的训练过程：

第一步：使用标签数据训练模型

第二步：使用训练的模型为不加标签的数据预测标签

第三步：同时使用pseudo和标签数据集重新训练模型，模型用于对测试数据的最终预测。

参考：Kaggle知识点：伪标签Pseudo Label - 墨天轮

【机器学习】伪标签（Pseudo-Labelling）的介绍:一种半监督机器学习技术 - 腾讯云开发者社区-腾讯云