从平滑信号中进行大规模图学习
机器学习
2019-05-02 v2 机器学习
摘要
图是数据科学中普遍使用的工具，因为它们能够对数据的内在结构进行建模。它们已成功应用于无监督和半监督学习中。通常，图的构建方式要么是连接最近的样本，要么是通过求解优化问题从数据中学习得到。虽然图学习能够达到更好的质量，但其计算成本也更高。具体而言，当前 SOTA 模型的成本对于 个样本为 。在本文中，我们展示了如何扩展该模型，获得主成本为 的近似，其质量接近精确的图学习模型。我们的算法使用已知的近似最近邻技术来减少变量数量，并自动选择模型的正确参数，仅需一个直观的输入：所需的边密度。
引用
@article{arxiv.1710.05654,
title = {Large Scale Graph Learning from Smooth Signals},
author = {Vassilis Kalofolias and Nathanaël Perraudin},
journal= {arXiv preprint arXiv:1710.05654},
year = {2019}
}