【论文阅读】Intrinsically semi-supervised methods

前面两个分类相当于是做一个适配器，将原本属于监督学习和无监督学习中的方法用在半监督学习中。本小节主要是介绍本质上的半监督学习方法。它将无标签数据损失加入到目标函数中。

1 Maximum-margin methods

这个分类里面的经典的就是将SVM从有监督迁移到半监督，考虑无标记样本构造最佳超平面。

2 Perturbation-based methods

基于扰动的方法，感觉这个方法产生的原因很简单，无标记样本没有标签，那么无论是回归还是分类，都没有对错之分，那么怎么产生一种损失的概念加入到目标函数中呢？

Answer: 训练两个网络，这里需要一些tricks来使得两个网络有差异，总之就是不能一样，不然两个模型的预测一样，损失就没有意义了。扰动就是这样的一个trick，比较常见的就是在模型的每一层噪声。

2.1 Ladder networks

传送门

2.2 Pseudo-ensembles

相比于上一个模型是对数据做扰动，这个模型则是对模型进行扰动。

2.3 $\mathrm{\Pi }$-model

3 Manifolds

4 Generativemodels