機械學習技術的演變繼續延遲人工智能的可能性。在一項基礎研究中，Stellenbosch University的學者Johan du Preez教授和Emile-Reyn Engelbrecht博士祝賀機械學習的兩個重要領域之間的概念差距：半監督教學（SSL）（SSL）與SET識別（OSR）之間的概念差距。他們的發現發表在《科學非洲人》上，通過使用相對的生成網絡（GAN）揭示了深厚的聯繫，這可以導致更有效的成本效益機械學習模型。
他們的研究的核心是甘恩斯的創新使用，這是一種動態的工具，傳統上燃燒兩個神經網絡相互對立：一個生成數據，一個用於評估它們。該研究確定了這些網絡不僅可以用於SSL，其中僅標記了一部分數據，還可以將這些網絡用於SSL，而對於OSR，它需要在測試階段識別以前不可見的新類別。
研究人員假設，SSL和OSR連接的關鍵在於產生他們所謂的“不良視圖”數據樣本，這些數據是故意創建的，這些樣本是不清楚或欺騙性的。這些樣品填充了“互補空間”，這是一個數據譜中的概念區域，位於知名類別之間。通過使用這些樣品培訓分類器，模型不僅可以識別，而且可以對未清楚培訓的新輸入進行分類。
Engelbrecht博士解釋說：“通過擴展我們對OSR中SSL中互補空間的了解，我們發現我們的模型可以有效地概括這個開放空間，從而大大提高了他們處理意外數據的能力。”這一發現對於未知會議很常見的應用至關重要，例如在自動診斷工具和自動駕駛技術中，不良分類可能會嚴重（如果不是致命）。
該研究在相同的實驗條件下完成了基本的SSL神與大多數ART OSR神之間的廣泛比較。結果非常相似，因此證明了研究人員的理論，通過處理其他空間的處理，調節SSL和OSR的基本機制是相互聯繫的。
繼續進行這項調查，團隊嘗試了不同的GAN模型，以確定哪些配置在SSL-OSR方案中提供了最佳性能。在所測試的模型中，差異的差異得到了區分，由於其確定和利用額外空間的精緻方法，其結果提供了優越的結果。
這項研究的含義很棒，這表明綜合的SSL-OTTR框架不僅簡化了訓練過程，而且還可以增強機械學習系統的功能，從而使它們在現實世界應用中更適合和有效。儘管人工智能領域不斷發展，但像這樣的研究為更強大，全面的系統鋪平了道路，能夠解決真實世界數據的複雜性和不可預測性。
日記
E.-R。 Engelbrecht和Du Preez，“在半監督的生成課程與開放生成識別之間的聯繫中。”非洲科學，2023。 Doi： https://dii.org/10.1016/j.sciaf.2023.e01903
關於
約翰·杜·普雷斯教授 這是Stellenbosch University電氣和電子工程系的獨特人物，重點是學習機械，概率系統以及語音和圖像處理。他的可見工作包括有關探測說話者和手寫驗證的項目，他是Stellelenbosch（Su’Clast）語言和語音技術的創始成員。它還與願景和學習組有關，其中包括語音，圖像和信號處理技術在內。
