Graph-LDA：利用图结构先验提高小样本分类精度
机器学习
2021-08-25 v1
摘要
面对分类问题时，可用标记样本的数量相对于其维度而言很小，这种情况非常普遍。这些条件很可能导致欠定设置，并具有很高的过拟合风险。为了提高训练分类器的泛化能力，常见的解决方案包括使用关于数据分布的先验。在众多选项中，通常通过图表示的数据结构先验在该领域越来越受欢迎。在本文中，我们引入了一个通用模型，其中假设观测到的类别信号受到两种噪声源的破坏，一种与底层图结构无关且各向同性，另一种则被已知的图算子所着色。在此模型下，我们推导出一种对这类信号进行分类的最优方法。有趣的是，该方法仅包含一个单一参数，使其特别适用于可用数据稀缺的情况。通过使用各种真实数据集，我们展示了所提模型在真实世界场景中的实施能力，与流行的替代方案相比，其泛化精度得到了提高。
引用
@article{arxiv.2108.10427,
title = {Graph-LDA: Graph Structure Priors to Improve the Accuracy in Few-Shot Classification},
author = {Myriam Bontonou and Nicolas Farrugia and Vincent Gripon},
journal= {arXiv preprint arXiv:2108.10427},
year = {2021}
}