基于图的半监督学习的广义优化框架
网络与互联网体系结构
2011-10-20 v1
摘要
我们开发了一个用于基于图的半监督学习的广义优化框架。该框架的特例包括标准拉普拉斯、归一化拉普拉斯和基于 PageRank 的方法。我们还提供了基于随机游走的新概率解释，并刻画了这些方法的极限行为。基于随机游走的解释使我们能够阐明具有不同平滑核的方法在性能上的差异。结果表明，基于 PageRank 的方法对于正则化参数的选择和标记数据具有鲁棒性。我们利用两个反映不同挑战的真实数据集说明了我们的理论结果：《悲惨世界》人物社交网络和维基百科超链接图。基于图的半监督学习仅利用超文本链接信息，即以非常高的精确度和完美的召回率对维基百科文章进行了分类。
引用
@article{arxiv.1110.4278,
title = {Generalized Optimization Framework for Graph-based Semi-supervised Learning},
author = {Konstantin Avrachenkov and Paulo Gonçalves and Alexey Mishenin and Marina Sokol},
journal= {arXiv preprint arXiv:1110.4278},
year = {2011}
}