Google在2019年提出了UDA方法（Unsupervised Data Augmentation 无监督数据增强），这是一种半监督学习方法。问世后，就击败了市面上其他的把深度半监督方法，该方法通过很少量的标记样本，便可以达到跟大数据样本一样的效果。
在UDA论文中，效果体现在IMDb数据集上，通过仅仅20个标记样本与约7万余个无标记样本（经过数据增强）的UDA算法学习，最终达到了与有2.5W标记数据集更好的效果，十分令人兴奋。
方法
image.png
损失
如上面图，损失分为两部分：标记数据的损失 和 未标记的数据的损失
-
一部分为有标注样本的，计算交叉熵损失。 目标是最小化有标签数据的损失。
image.png
-
另一部分为无标签的损失
- 目标是什么？
最小化无标签增广数据与无标签数据的KL散度 - 那么这部分无标签样本怎么得到的呢？
2.1 通过数据增强得到，何为数据增强呢？
数据增强就是，在样本x的标签L不变的情况下，对x进行转换，得到新的训练样本x’， 新样本x'的标签也是L。
2.2 转换方法都有哪些？
回译、TF-IDF word替换等等 -
损失定义
新旧数据有相同的数据标签。通常为了得到的增强数据与原始数据相似，使用的是最大似然估计方法。这里采用KL散度，算两个分布的损失：
image.png
*最终的损失为：
image.png
前面部分为有标签的损失部分，后半部分为无标签增强样本损失。
- 目标是什么？
训练技巧
应用
U在实际的场景下，UDA代表的半监督学习有十分广大的应用场景。例如，在某个细分领域，如金融领域，涵盖了大量的财经新闻、公司财报、法律文书、客户沟通记录等等，在该领域下没有标记的原始文本数据非常的庞大。而如果使用传统的监督学习方法，则需要十分昂贵而且专业的人员来进行数据样本的标记，这样的话，它的成本与项目进度将非常巨大与缓慢。但UDA类似的半监督学习恰好能近乎完美的解决这个问题。
