Semi-supervised Learning
The distribution of the unlabeled data tell us something. Usually with some assumptions.
Semi-Supervised Generative Model
对比学习见 李宏毅机器学习课程４~~~分类：概率生成模型
EM算法思路来最大化似然函数。
Self-training
Self-training 是采用的Hard label, Semi-supervised learning是采用的soft label.
非黑即白的世界
定义新的目标函数，损失函数加上unlabel的熵，相当于加上正则化。
Smoothness Assumption
Deep Autoencoder 抽取Feature，然后进行聚类，这样才有可能将unlabel 图像聚类出好的结果。单纯的对原始图像的像素进行聚类，一般对图像来说，都不是一个好的聚类结果。
Graph-based 定性构造：相似度采用高斯径向基函数来度量。
Wij代表i与j的位置关系（距离）
Graph上的label的smoothness定量刻画的简写
目标函数上加上smoothness项。
Better Representation
找到本质核心因素用来作为表示。
参考文献
《Semi-Supervised Learning_Olivier Chapelle》
李宏毅机器学习课程４~~~分类：概率生成模型
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
 Part1)
神经网络)
