半监督、自监督学习已经成为机器学习领域的热点，过去的2019年可能是它们走向成熟开始应用的分界点。
昨天，谷歌大脑研究员Thang Luong 分享了一份PPT Learning from Unlabeles Data，介绍了谷歌最近一年来利用无标签数据的最新研究进展，展现了半监督学习将要带来的巨大价值。
半监督学习即只有少量数据有标签，大部分数据没有标签，利用这些有标签和无标签数据的机器学习问题。
以往，半监督学习仅在小规模数据集上体现价值（比如CIFAR-10），但谷歌最近的研究（NoisyStudent）显示已经在大规模数据集（ImageNet）带来了可喜的精度和鲁棒性的提升。
完整内容可在下文阅读，获取完整PPT的PDF版可在我爱计算机视觉公众号后台回复“非标签学习“，即可收到下载地址。
重要亮点：
- 非监督数据增广（Unsupervised Data Augmentation，UDA）方法可显著改进模型效果；
- UDA在语言和视觉问题上都有效；
- 半监督学习不仅在小规模数据集上有效，在大规模数据集也显著改进了精度；
- 最近半监督学习利用外部无标签数据将ImageNet Top 1错误率降低了2个百分点以上；
- 半监督学习不仅提升精度还可显著改进模型鲁棒性。
值得一提的是，内中提到的半监督学习算法均已开源，欢迎大家继续研究。
PPT的最后还介绍了谷歌在对话机器人上的新进展，称它们的Meena系统在开放问题的人机对话中，获得了接近人类的表现！（86% vs 79%，大幅超越其他对话机器人）
想要进一步交流学习的朋友欢迎文末扫码加群。
