资源介绍
无监督数据增强
总览
无监督数据增强或UDA是一种半监督学习方法，可在各种语言和视觉任务上实现最新的结果。
仅用20个标记的示例，UDA优于以前在25,000个标记的示例上训练的IMDb的最新技术。
模型
带标签的示例数
错误率
混合增值税（以前的SOTA）
25,000
4.32
伯特
25,000
4.51
UDA
20
4.20
使用CIFAR-10（带有4,000个标记的示例）和SVHN（带有1,000个带标记的示例），可将最新方法的错误率降低30％以上：
模型
CIFAR-10
SVHN
ICT（以前的SOTA）
7.66±.17
3.53±.07
UDA
4.31±.08
2.28±.10
有了10％的标签数据，它就对ImageNet进行了重大改进。
模型
top-1精度
前5位准确性
ResNet-50
55.09
77.26
UDA
68.78
88.80
这个怎么运作
UDA是一种半监督学习的方法，它减少了对带有标记的示例的需求，并更好地利用了没有标记的示例。
我们发布的内容
我们发布以下内容：
基于BERT的文本分