王江晴，何开杰，孙 翀，帖 军，尹 帆

(1.中南民族大学 计算机科学学院，湖北 武汉 430074；2.中南民族大学 湖北省制造企业智能管理工程技术研究中心，湖北 武汉 430074)

0 引 言

传统的监督学习通常需要大量的标签样本对模型进行训练，以便获得较好的质量，同时，由于维度灾难的原因，在处理高纬数据(如视频、语音和图像分类等)时，训练高质量的模型所需要的标签样本数量进一步呈现指数暴涨趋势[1]。

随着大数据时代的数据需求日益增长，海量的标签样本需求成为传统监督学习发展的阻碍之一，传统监督学习已无法满足人们的需求。半监督学习由于在标签样本数量很少的情况下，通过在模型训练中引入无标签样本来避免传统监督学习在训练样本不足(学习不充分)时出现性能(或模型)退化的问题，有着广泛应用。

近年来，半监督学习的研究工作主要集中在分类问题[2]。半监督深度分类模型主要目的是鼓励分类器将学得的条件分布逼近原数据的总体分布，当前半监督深度学习算法并没有充分考虑样本中无标签数据所包含的信息，半监督分类器并没有学习到真实的原数据的总体分布。针对该问题，本文根据迁移学习中的领域自适应(domain adaption)，将半监督学习中有标签数据集看成源域，全体数据集看成目标域，采用基于Wasserstein距离的Wasserstein自编码器(wasserstein autoencoder，WAE)生成模型与半监督学习相结合的方式，使得源域上训练的数据可以迁移到目标域中。本文从边际分布出发……