这个办法我试过，一开始挑选一些置信度非常高的，并且经过人工筛查的样本，放入到训练集里去，但经过几轮之后，训练集基本就不变化了。因为本来分类器就能做对的样本，就只是把这些样本强化（过拟合）了而已，做不对的还是做不对，没有办法进一步提高模型的泛化能力。

这个想法还是很有趣的。将未标签的数据输入到一个确定的网路中得到soft target，然后是可以利用soft target来做一些事情。

比如Distillation就是设计更简单的网路结构来回归这些soft targets，以实现简单网路模拟复杂深度网路的特性。

还有就是上面提到的tansfer learning，也包括secure learning一大类都会涉及到soft targets的概念。

另外今天看到一篇文章中提到了fine tune，feature extraction，以及unforgettable learning中对历史网路结构与参数的讨论和想法也与你说的这个前提有关。

不过简单的加大权重训练就不太对了，因为soft targets并不是ground truth，不能像期待监督学习一样期待它能有很好的表现。

高三党有这个idea已经很棒了。

另外，cv Ai真的已经到了普及教育的阶段了嘛？？

增强学习了解下。

把你说的人脸识别系统整个看成一个简单的增强学习系统。你之前做人脸分类的分类器看做是生成策略的模型（每种策略对应到选择一个人脸分类，这样人脸分类问题就变成了策略选择问题），然后生成的「策略「跟真实的label的比对作为评价函数，这样就可以用叫做policy gradient的增强学习演算法来通过不断输出结果来优化系统。

目前都是反馈优化的方式，只不过具体的反馈方式不同，比如SGD，ADAM以及最新的一些迭代反馈方法。

全监督，半监督和无监督学习的反馈数据来源不同，比如标记样本，GAN小样本同步对抗生成，强化的环境反馈奖励函数等等。

基本思想就是通过对输出准确率和有效性的修正来反馈调节网路参数或模型结构实现的。

大部分回答让我看到怀疑人生，真的做过机器学习么。。

题主牛b，早生三十年，你就是机器学习大牛了。boost干的就是这个事情，典型演算法adaboost gbdt，许多数据比赛中的王者。深入一点说，本质上是构造一系列的可加模型，训练时候依据前面模型的结果对样本加权来训练后面模型，最后根据所有模型结果来对每个模型加权获得最终预测结果。

谢邀。

不荒谬，这有个术语，弱监督学习

当然是可以的

可以看一下大连理工卢湖川教授团队的RFCN等文章，都是通过预测结果，并将结果再做处理输入到网路中。

看了一圈。

难道这些评论里搞深度学习的都不知道 adboost xgboost？

在传统机器学习中集成学习就是这个思路。

每次拟合上一模型的残差或者加重预测错误的输入权重。构建n个基模型共同组成一个新的模型。

高三的小兄弟不懂事啊，这不用假设，阿尔法狗大战李世石那年就已经有演算法识别率高达90%，能别问这种没营养的问题了不

伪标签了解一下：

https://www.analyticsvidhya.com/blog/2017/09/pseudo-labelling-semi-supervised-learning-technique