面向大规模基于图的半监督学习的增量谱稀疏化
机器学习
2016-01-22 v1 机器学习
摘要
尽管调和函数解在许多半监督学习(SSL)任务中表现良好，但已知其随样本数量扩展性差。最近成功且可扩展的方法，如本征函数方法(eigenfunction method)，侧重于高效近似从数据构建的图拉普拉斯算子的整个谱。这与过去提出的各种子采样和量化方法形成对比，后者可能无法保持图谱。然而，谱近似对最终泛化误差的影响或是未知的，或需要对数据做强假设。在本文中，我们引入Sparse-HFS，一种用于SSL的高效边稀疏化算法。通过构建边稀疏且谱相似的图，我们能够利用谱稀疏化方法的近似保证来界定Sparse-HFS的泛化误差。因此，我们获得了一种基于图的SSL的理论依据近似方案，其在经验上也匹配已知大规模方法的性能。
引用
@article{arxiv.1601.05675,
title = {Incremental Spectral Sparsification for Large-Scale Graph-Based Semi-Supervised Learning},
author = {Daniele Calandriello and Alessandro Lazaric and Michal Valko and Ioannis Koutis},
journal= {arXiv preprint arXiv:1601.05675},
year = {2016}
}