基于图的半监督学习：全面综述
机器学习
2021-03-01 v1
摘要
半监督学习（SSL）因能同时利用有标签与无标签数据而在实践中具有巨大价值。一类重要的 SSL 方法将数据自然地表示为图，从而可从图中推断无标签样本标签信息，这对应于基于图的半监督学习（GSSL）方法。GSSL 方法因其结构独特性、应用普适性以及对大规模数据的可扩展性，已在多个领域展现出优势。聚焦于此类方法，本工作旨在为研究人员与从业者提供对相关进展及其内在联系的扎实且系统的理解。这使我们论文区别于近期涵盖 SSL 方法整体图景却忽视 GSSL 方法基础理解的综述。特别地，本文的主要贡献在于提出了一种面向 GSSL 的新广义分类体系，包括图正则化与图嵌入方法，并附有最新参考文献及代码、数据集、应用等有用资源。此外，我们给出了若干潜在研究方向作为未来工作，并洞察这一快速发展的领域。
引用
@article{arxiv.2102.13303,
title = {Graph-based Semi-supervised Learning: A Comprehensive Review},
author = {Zixing Song and Xiangli Yang and Zenglin Xu and Irwin King},
journal= {arXiv preprint arXiv:2102.13303},
year = {2021}
}