DualLearning是一种机器学习方法，旨在解决标记数据稀缺且成本高昂的问题。它通过利用未标记数据来增强模型性能，并能应用于多种场景，如神经机器翻译(NMT)、自编码器和生成对抗网络(GAN)等。本文探讨了DualLearning的基本思想、实现方式及其在不同领域的应用。
Dual Learning解决的问题： 带标签的训练数据少且高昂的成本，尽可能的利用无标签数据
Dual Learning 思想
Dual Learning在NMT中的应用
1.算法思想
2.负例
3.正例
4.实验设置（需要先预训练）
Dual Learning的扩展（可以扩展到多个有联系的模型）
自编码中Dual Learning的思想
GAN中Dual Learning的思想：
有标签的数据训练运用Dual Learning的两种运用方法：
（1）两个model同时做训练
（2）通过bayes公式转化
Dual Learning的提高原因（可大致将其作为一种loss的正则，使模型更加一般化）
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
