一种基于渐进universum和对比学习的半监督开集学习方法

本发明针对现有处理半监督开集问题存在的不足，提出一种基于渐进universum增广和对比学习的统一的半监督开集学习方法。具体而言，该方法包括以下步骤：首先，从无标记数据中提取预测值高于设定阈值的数据，并为其分配伪标签。其次，将带有伪标签的数据与已有的标记数据结合，形成扩展后的标记数据集。然后，依据扩展标记数据的类别生成对应的universum数据，将其作为具有语义信息的负样本，利用对比学习框架对模型进行训练；最后，根据样本标签划分正负样本，并以样本预测值的乘积作为权重，进一步优化和训练对比学习模型。本发明的方法有效解决了半监督开集问题中因标记数据稀缺和异常类存在而导致的性能瓶颈，显著提升了分类精度和异常检测的可靠性。