探索式学习
机器学习
2013-07-02 v1
摘要
在多类半监督学习 (SSL) 中，有时数据中存在的类别数量未知，因此某些类别没有提供标记样本。本文提出了已知多类半监督学习方法的变体，这些变体在数据包含未知数量类别时具有鲁棒性。特别是，我们提出了一种期望最大化 (EM) 的“探索式”扩展，该扩展在学习过程中探索不同的类别数量。“探索式”SSL 在三个数据集上显著提升了具有种子样本类别（即预期存在于数据中的类别）的 F1 性能。我们的探索式 EM 算法也优于基于非参数贝叶斯聚类的 SSL 方法。
引用
@article{arxiv.1307.0253,
title = {Exploratory Learning},
author = {Bhavana Dalvi and William W. Cohen and Jamie Callan},
journal= {arXiv preprint arXiv:1307.0253},
year = {2013}
}
备注
16 pages; European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2013