?unlabeled

unlabeled發(fā)音

英：　　美：

unlabeled中文意思翻譯

adj. 沒(méi)有標簽的

unlabeled常見(jiàn)例句

1 、Active Learning with Labeled and Unlabeled Samples for Content-Based Image Retrieval───圖像檢索中基于標記與未標記樣本的主動(dòng)學(xué)習算法

2 、In this thesis, we propose a new algorithm to obtain edit distance between unlabeled ordered trees derived from streaming XML data.───在本篇論文中，我們提出一個(gè)新的樹(shù)狀距離嵌入演算法，用來(lái)比較從串流可擴展標記語(yǔ)言文件中取得的無(wú)標記有序樹(shù)狀結構。

3 、Anomaly Detection Model with Unlabeled Training Data───一種無(wú)類(lèi)標訓練數據異常檢測模型

4 、unlabeled block───無(wú)標號分程序可變塊

5 、Fur from China - much of it unlabeled - ends up in stores all across America.───美國所有的商店都已經(jīng)禁止銷(xiāo)售中國用這種方法生產(chǎn)的皮毛.

6 、Need for government relieve program approx 88 containers, tins of fish can be unlabeled or labeled just need some printing o...───政府救濟計劃需要魚(yú)罐頭約88集裝箱，罐體無(wú)標簽，或將標簽印在外包裝箱上。

7 、As a generalization of chromatic polynomials of labeled and unlabeled graphs,the notion of chromatic polynomials of partial labeled graphs is introduced.───引入了局部標定圖的概念，使得標定圖和非標定圖都成為它的兩個(gè)特殊情形，它的色多項式統一了標定圖的色多項式和非標定圖的色多項式。

8 、The machine learning accuracy can be improved by making use of both labeled and unlabeled data in semi-supervised learning.───摘要同時(shí)利用半監督學(xué)習中的標記數據與非標記數據，可以提高機器學(xué)習的能力。

9 、But the new ingredient in the tomato is invisible because transgenic crops are, for the most part, unlabeled and mixed in with the rest of the harvest.───但是，番茄中的新成分是看不見(jiàn)的，因為大多數情況下轉基因作物是不標明的，并且與其余的作物混在一起。"

10 、unlabeled statement───無(wú)標號語(yǔ)句

11 、The algorithm marks unlabeled instances using classifier ensemble technology and class-center method in each subspace, which update the classification model.───該算法在每個(gè)子空間上通過(guò)分類(lèi)器集成技術(shù)和類(lèi)中心法給未標記樣本進(jìn)行標記，從而使分類(lèi)器模型得以更新。

12 、Consequently the method can classify the unlabeled text accurately and also can gain a better result of classification.───在訓練過(guò)程中,首先用訓練文本訓練分類(lèi)器,得到最優(yōu)的文本特征集合。

13 、Expand Components, and then expand the unlabeled member of the Model Name level.───展開(kāi)“組件”,再展開(kāi)“型號名稱(chēng)”級別的未標記成員。

14 、(2) For all unlabeled columns so far, those between two successive non-segmentation-regions belong to a segmentation region.───（ 2 ）對于所有標簽欄到目前為止，這些接連兩次非分割區域屬于分割區域。

15 、NIGAM K,MCCALLUM A,THRUN S,et al.Text classification from labeled and unlabeled documents using EM[J].Machine Learning,2000,39(2-3):103-134.───任美睿,李建中,楊艷.基于樸素貝葉斯方法的自動(dòng)文本分類(lèi)系統的實(shí)現[J].計算機科學(xué),2002(8,增刊):285-87.

16 、unlabeled compound statement───無(wú)標號復合語(yǔ)句

17 、Found in his apartment with various unlabeled prescription med bottles and a few syringes.─── 在他的家里發(fā)現了很多 沒(méi)有標簽的處方藥瓶子和一些注射器

18 、In this paper, an online semi-supervised learning method based on multi-kernel ensemble is proposed, which enables online learning even if the received example is unlabeled.───提出一種基于多核集成的在線(xiàn)半監督學(xué)習方法，使得在線(xiàn)學(xué)習器即使在接收到?jīng)]有標記的數據時(shí)也能進(jìn)行在線(xiàn)學(xué)習。

19 、If no label has been specified,dynamic panels will be identified as "Unlabeled".───沒(méi)有指定標簽時(shí)，動(dòng)態(tài)面板將標識為“Unlabeled”。

20 、All chromosomes of the large genomes, maize and barley, were densely labeled with strongly labeled regions and weakly labeled or unlabeled regions being arranged alternatively throughout the lengths.───大基因組的玉米和大麥的所有染色體都被密集地標記，并在染色體全長(cháng)顯示出強標記區與弱標記或不標記區的交替排列。

21 、But I agree with him that “unlabeled, it’s a fun test of your knowledge of nations , can you guess them all?───這是一項考察你對世界各國知識的有趣測試，你能全部猜中嗎？

22 、In brief, the paper holds that caring activities unlabeled as education still is education, whereas caring education is more meaningful, more educative education.───總之，筆者認為：沒(méi)有貼著(zhù)教育標簽的關(guān)懷仍然是教育，而融入關(guān)懷的教育則是意蘊更豐富的教育、更體現教育性的教育。

23 、Illustration of Jet Striking Galaxy (unlabeled) Each wavelength shows a different aspect of this system, known as 3C321.───撞擊星系發(fā)射物的**圖在每一個(gè)波段都展示了名叫3c321系統的不同面貌。

24 、Some basic properties of the chromatic polynomials of connected unlabeled graphs arediscussed and expressions of some important connected unlabeled graphs are given in thispaper.───本文研究連通的非標定圖色多項式的基本性質(zhì)，給出了若干類(lèi)常見(jiàn)連通非標定圖色多項式的一般表達式。

25 、unlabeled document───未標注文本

26 、unlabeled common storage───無(wú)標號公用存儲器

27 、unlabeled antigen───非標記抗原

28 、In this paper, we present an algorithm called Weighted Unlabeled Sample Support Vector Machine (WUS-SVM), based on which a new partially supervised classification method is proposed.───提出了一種基于加權無(wú)標識樣本支撐向量機(WUS-SVM),并在其基礎發(fā)展出一種不完全監督分類(lèi)方法。

29 、19 An unlabeled bottle is known to contain either n-pentane,1-pentene,or 1-pentyne.How would you distinguish the samples by means of NMR and IR───答:一個(gè)沒(méi)有標簽的試劑瓶中裝的可能是正戊烷,1-戊烯或1-戊炔,借助核磁共振和紅外光譜如何去分析出樣品

30 、However, most of the state-of-art online learning methods that tackle the real-time prediction problem work are not able to exploit the unlabeled data.───然而，目前的在線(xiàn)學(xué)習方法并不能利用未標記數據進(jìn)行學(xué)習，致使學(xué)得的模型并不能即時(shí)反映數據的動(dòng)態(tài)變化，降低其實(shí)時(shí)響應能力。

31 、unlabeled arc───無(wú)標記弧

32 、unlabeled luggage is liable to be lost.───未貼標簽的行李當然會(huì )丟。

33 、The changes of activity and fluorescence spectrum of the labeled and unlabeled lipase were examined under various temperatures, pH and different concentrations of guanidine hydrochloride.───在不同變性條件下，比較了標記與未標記的脂肪酶活性變化及相對應的熒光光譜。

34 、Research on Using Unlabeled Data to Improve the Performance of SVM Classifier───利用未標記數據提高SVM分類(lèi)器性能的研究

35 、There are a lot of unlabeled meds in her place.─── 在她家里有很多無(wú)標簽的藥物

36 、unlabeled file───無(wú)標號文件

37 、According to "semisupervised learning", both labeled and unlabeled data are used to train classifier.───摘要根據“半監督學(xué)習”方法，利用已經(jīng)標注好的訓練樣本和無(wú)標注的訓練樣本一起訓練分類(lèi)器。

38 、Produces a classification scheme for a set of unlabeled objects───給出一組未標記的對象

39 、One of the key challenges in deformable shape modeling is to estimate a meaningful average or mean shape from a set of unlabeled shapes.───摘要可形變形狀模型化的一個(gè)關(guān)鍵問(wèn)題就是從一系列未標記的形狀點(diǎn)集中估計一個(gè)有意義的平均形狀。

40 、unlabeled data set───未標注集

41 、Extracting initial strongly negative data set from positive data and unlabeled data is a base for constructing a PU-oriented text classifier by two stage frame method.───利用正樣例集合和未標識樣例集合獲取初始的最強反例集合是使用兩步框架方法構造一個(gè)面向PU問(wèn)題文本分類(lèi)器的基礎。

42 、This clustering algorithm can deal with network intrusion detection from mass unlabeled data, distinguish between normal and abnormal data and detect unknown attacks.───該算法可實(shí)現對大規模無(wú)標識原始數據的入侵檢測，區分正常和異常行為，并能檢測到未知攻擊。

43 、unlabeled basic statement───無(wú)標號基本語(yǔ)句

44 、Unlabeled data───未標注數據

45 、unlabeled sample───無(wú)標簽樣本

46 、In addition, CISC outperforms three compared methods in efficiency for labeled graphs.For graphs with little regularity, CISC is the best even the graphs are unlabeled.───CISC在標簽圖形的表現較其他三種知名的方法為佳，具有最少的比對時(shí)間，特別當圖形沒(méi)有規律性時(shí)，CISC在非標簽圖形的表現也是最好的。

47 、Results Multinucleated giant cells were mainly labeled by CD68, ACT,AACT and lysozyme, but were unlabeled by PCNA.───結果多核巨細胞主要表達CD68、AACT、ACT以及溶菌酶,無(wú)一表達PCNA;

CONTAINER: Few-Shot Named Entity Recognition via Contrastive Learning

FewShot NER對于低資源域中的實(shí)體標記至關(guān)重要?，F有的方法僅從源域學(xué)習特定于類(lèi)的語(yǔ)義特征和中間表示。這會(huì )影響對看不見(jiàn)的目標域的通用性，從而導致性能不佳。為此，我們提出了CONTAINER，這是一種新的對比學(xué)習技術(shù)，它優(yōu)化了標記間的分布距離。CONTAINER沒(méi)有優(yōu)化特定于類(lèi)的屬性，而是 優(yōu)化了一個(gè)廣義目標 ，即基于高斯分布embedding區分token類(lèi)別。這有效地緩解了源自訓練領(lǐng)域的過(guò)度匹配問(wèn)題。

few-shot learning涉及從很少的標記示例中學(xué)習看不見(jiàn)的類(lèi)。為了避免對有限的可用數據進(jìn)行過(guò)度擬合，引入了元學(xué)習來(lái)重點(diǎn)關(guān)注如何學(xué)習。提出原型網(wǎng)絡(luò )來(lái)學(xué)習度量空間，其**定未知類(lèi)的示例圍繞單個(gè)原型聚集。雖然它主要部署在計算機視覺(jué)中，但Fritzler等人和Hou等人也使用了fewshot-NER的原型網(wǎng)絡(luò )。另一方面，Yang和Katiyar提出了一個(gè)有監督的NER模型學(xué)習特定于類(lèi)的功能并將中間表示擴展到看不見(jiàn)的域。此外，他們還采用了維特比**模型的變體“StructShot”

Few shot NER比其他few shot學(xué)習任務(wù)更加困難。首先，作為序列標注任務(wù)，NER要求根據上下文以及標簽內的依賴(lài)關(guān)系進(jìn)行標簽分配。其次，在NER中，在訓練集中被標記為O的token很可能對應于測試集中的有效目標實(shí)體，這對于原型網(wǎng)絡(luò )等元學(xué)習方法提出了挑戰。（對于原型網(wǎng)絡(luò )，這對圍繞單個(gè)原型聚集實(shí)體示例的概念提出了挑戰）。對于Yang和Katiyar（2020）等基于最近鄰的方法，它們最初是“預訓練”的，目標是源類(lèi)特定的監督。因此，訓練的權重將與源類(lèi)緊密聯(lián)系，網(wǎng)絡(luò )將投影訓練集O標記，以便它們在嵌入空間中聚集。 這將迫使embedding在測試集中刪除許多與真正目標實(shí)體相關(guān)的有用特征。第三，在少數鏡頭設置中，沒(méi)有足夠的樣本可以從中選擇驗證集。這降低了超參數調整的能力，這尤其會(huì )影響基于模板的方法，其中提示選擇對于良好的性能至關(guān)重要（Cui等人，2021）。事實(shí)上，由于缺乏持續有效的驗證集，許多早期的少數鏡頭作品都受到了質(zhì)疑，他們的策略是否真的是“少數鏡頭”（Perez et al.，2021）

為了應對這些挑戰，作者提出了一種新的方法 CONTAINER，利用對比學(xué)習的來(lái)解決fewshot NER。 CONTAINER試圖減少對相似實(shí)體的token embedding的距離，同時(shí)增加對不同實(shí)體的token embedding的距離（圖1） 。這使得CONTAINER能夠更好地捕獲標簽依賴(lài)關(guān)系。此外，由于CONTAINER是用一個(gè)廣義目標進(jìn)行訓練的，因此它可以有效地避免先前的方法打O的缺陷。最后，CONTAINER不需要任何特定于數據集的prompt或超參數調整。

與傳統的對比學(xué)習不同優(yōu)化point embedding優(yōu)化樣本距離， container優(yōu)化了分布散度，有效地建模高斯embedding。高斯embedding顯式地建模實(shí)體類(lèi)分布，這不僅促進(jìn)了廣義特征表示，而且有助于少樣本目標域自適應

因此高斯嵌入顯式地建模實(shí)體類(lèi)分布，這不僅促進(jìn)了廣義特征表示，而且有助于少樣本目標域的自適應。之前在高斯嵌入方面的工作也表明， 映射到密度可以捕獲表示的不確定性（Vilnis和McCallum，2014），并表示自然不對稱(chēng)性（Qian等人，2021），同時(shí)顯示出更好的泛化，用更少的數據來(lái)實(shí)現最佳績(jì)效 （Bojchevski和Günnemann，2017）。受高斯嵌入的這些獨特特性的啟發(fā)，在這項工作中，我們利用高斯embedding進(jìn)行對比學(xué)習for few-shot。評估期間的最近鄰分類(lèi)方案顯示，平均而言，CONTAINER在廣泛的測試中顯著(zhù)優(yōu)于之前的SOTA方法，其F1絕對分數高達13%。特別是，我們根據Yang和Katiyar（2020）在各種數據集（CoNLL'03，OntoNotes 5.0，WNUT'17，I2B2），在域內和域外實(shí)驗中廣泛測試了我們的模型。我們還在提出的一個(gè)大型數據集Few-Shot NERD（Ding等人，2021）中測試了我們的模型，其中CONTAINER優(yōu)于所有其他SOTA方法，在排行榜上設定了一個(gè)新的基準結果

綜上所述，我們的貢獻如下：

（1）CONTAINER利用對比學(xué)習來(lái)推斷其高斯embedding的分布距離。

（2）CONTAINER representation更適合于適應看不見(jiàn)的新類(lèi)，即使支持樣本數量較少

訓練集和測試集tag沒(méi)有交集，N-wayK-shot表示測試集tag數量為N，每一個(gè)tag有K個(gè)examples

遵循IO標記方案，其中I-type表示所有標記都在一個(gè)實(shí)體內，O-type表示所有其他標記

在此，通過(guò)計算多個(gè)測試集的micro-F1分數來(lái)評估模型。每集由一個(gè)K-shot support set和一個(gè)K-shot unlabeled （test）set組成做出預測。從原始開(kāi)發(fā)集中抽取多個(gè)支持集，用它們進(jìn)行預測。

CONTAINER利用對比學(xué)習來(lái)優(yōu)化不同標記實(shí)體表示之間的分布差異。 沒(méi)有關(guān)注特定標簽的屬性 ，而是 顯式地訓練模型來(lái)區分不同類(lèi)別的標記 。

此外，高斯embedding代替傳統的point representation可以有效地讓CONTAINER對實(shí)體類(lèi)分布進(jìn)行建模，從而激發(fā)標記的廣義表示。

最后，它允許我們仔細微調我們的模型，即使使用少量樣本，也不會(huì )過(guò)度擬合，這對于域自適應來(lái)說(shuō)是必不可少的。

如圖2所示，我們首先在源域中訓練模型。接下來(lái)，我們使用幾個(gè)示例支持集對模型表示進(jìn)行微調，以使其適應目標域。算法1說(shuō)明了容器的訓練和微調。最后，我們使用 實(shí)例級最近鄰分類(lèi)器在測試集中進(jìn)行推理 。

用BERT作為PLM編碼器。因此，給定n個(gè)token序列[x1，x2，…，xn]，我們將PLM的最終隱藏層輸出作為中間表征

然后，這些中間表示通過(guò)簡(jiǎn)單的投影層傳遞，以生成embedding，我們假設token embedding遵循高斯分布。我們使用投影網(wǎng)絡(luò )fµ和f∑來(lái)生成高斯分布參數：

mu和sigma表示平均值和對角協(xié)方差（僅含非零元素分別沿矩陣的對角線(xiàn)）的高斯嵌入

為了計算對比損失，我們考慮了樣本批次中所有有效token對之間的KL散度，兩個(gè)token如果有相同的label，那么就被視為positive樣本

KL散度的兩個(gè)方向都是計算的，因為它是不對稱(chēng)的。

我們首先在資源豐富的源域中,Xtr的訓練我們的模型。在每個(gè)訓練步驟中，我們隨機抽取一批序列X∈ 來(lái)自訓練集中的Xtr，每個(gè)批次大小為b，我們通過(guò)將相應的token序列通過(guò)模型獲得其高斯嵌入N（µi，∑i）。

我們在批次中找到樣本p的正樣本Xp，然 后計算Xp相對于批次中所有其他有效token的高斯embedding損失 ：

通過(guò)這種方式，我們計算 批次中 所有token對的分布散度，X表示所有token對，分母項表示正集，分子項目表示在token對中，除了自己對以外的對。

在源域中進(jìn)行訓練后，我們使用少量目標域支持樣本，按照與訓練階段類(lèi)似的步驟對模型進(jìn)行微調。由于我們只有少量樣本可供微調，所以我們將其化為single batch。當目標類(lèi)有多個(gè)few-shot sample（例如，5-shot）可用時(shí)，模型可以通過(guò)優(yōu)化高斯embedding的KL散度有效地適應新域

相比之下，對于1-shot的情況，模型適應目標類(lèi)分布的難度很大。如果模型沒(méi)有關(guān)于目標類(lèi)的先驗知識，單個(gè)示例可能不足以推斷目標類(lèi)分布的方差。因此，對于one-shot場(chǎng)景，我們優(yōu)化了

嵌入分布均值之間的平方歐氏距離。當模型對所涉及的目標類(lèi)別有直接/間接的先驗知識時(shí)，我們仍然會(huì )優(yōu)化分布的KL散度，類(lèi)似于5-shot場(chǎng)景。

我們在表7中證明，使用平方歐幾里德距離進(jìn)行優(yōu)化可以使我們在one-shot場(chǎng)景中獲得更好的性能。

然而，在所有情況下，在5-shot支持集下，優(yōu)化高斯embedding之間的KL散度可以得到最好的結果。

使用較小的支持集進(jìn)行微調，則會(huì )有過(guò)度擬合的風(fēng)險，并且由于目標域中的數據不足，無(wú)法訪(fǎng)問(wèn)保留的驗證集，因此我們無(wú)法跟蹤需要停止微調的飽和點(diǎn)。為了緩解這種情況，我們計算出對比損失，并將其作為我們的早期停止標準，previous_score=1e+6

在分別使用訓練數據和支持數據對網(wǎng)絡(luò )進(jìn)行訓練和微調后，提取預訓練的語(yǔ)言模型編碼器PLM進(jìn)行推理。與SimCLR（Chen et al.，2020）類(lèi)似，我們發(fā)現投影層之前的 representations實(shí)際上包含比最終輸出表示更多的信息，這有助于提高性能，因此fµ和f∑投影頭不用于推理。因此，我們計算PLM中測試數據的表示，并找到用于推理的最近鄰支持集表示

對于每一個(gè)support token求出的表征h(j,sup) from support set,對于每一個(gè)test token求出的表征h(j,test) from test set,我們?yōu)樵谧罱廝LM的表征空間里為x(i,test)分配與support token相同的label

之前的大多數工作都注意到使用CRF可以消除錯誤預測以提高性能，從而提高了性能。因此我們還在推理階段使用維特比**，并使用StructShot中的抽象轉移分布。對于轉移概率，通過(guò)計算三個(gè)抽象標記O、I和I-other在訓練集中的出現次數來(lái)估計它們之間的轉移。然后，對于目標域標記集，將這些轉移概率均勻分布到相應的目標分布中. 對于發(fā)射概率，通過(guò)近鄰推斷計算。將領(lǐng)域遷移結果(表3)于其它任務(wù)(表2，4，5)比較，作者發(fā)現，如果測試數據中沒(méi)有涉及明顯的領(lǐng)域遷移,對比學(xué)習允許CONTaiNER自動(dòng)抽取標簽依賴(lài)，避免了額外維特比**階段的要求

Write a paragraph of classification and example w

Title:

System for estimating a distribution of message content categories in source data

United States Patent Application 20090030862 Kind Code: A1

Abstract:

A method of computerized content analysis that gives “approximately unbiased and statistically consistent estimates” of a distribution of elements of structured, unstructured, and partially structured source data among a set of categories. In one embodiment, this is done by analyzing a distribution of small set of individually-classified elements in a plurality of categories and then using the information determined from the analysis to extrapolate a distribution in a larger population set. This extrapolation is performed without constraining the distribution of the unlabeled elements to be equal to the distribution of labeled elements, nor constraining a content distribution of content of elements in the labeled set (e.g., a distribution of words used by elements in the labeled set) to be equal to a content distribution of elements in the unlabeled set. Not being constrained in these ways allows the estimation techniques described herein to provide distinct advantages over conventional aggregation techniques.