基于高密度点图结构学习的大规模半监督学习
机器学习
2019-12-06 v1 机器学习
摘要
我们致力于为少量标注数据与大量未标注数据开发一种新颖的可扩展基于图的半监督学习（SSL）方法。由于缺乏标注数据且存在大规模未标注数据，现有 SSL 方法常因图结构不当导致次优性能，或面临大规模优化问题的高计算复杂度。本文中，我们提议通过为基于图的 SSL 方法构建恰当的图来解决这两个挑战性问题。与现有方法不同，我们同时学习一小部分顶点以刻画输入数据的高密度区域，以及一张刻画这些顶点间关系的图。随后提出一种新方法，由所学少量顶点的图构造具某些优选性质的输入数据图。在不显式计算输入构造图的情况下，给出了两种直推式基于图的 SSL 方法，其计算复杂度随输入数据量呈线性。在合成数据与不同规模真实数据集上的大量实验表明，所提方法不仅可扩展至大规模数据，且取得了良好的分类性能，尤其在极少标注数下。
引用
@article{arxiv.1912.02233,
title = {Large-Scale Semi-Supervised Learning via Graph Structure Learning over High-Dense Points},
author = {Zitong Wang and Li Wang and Raymond Chan and Tieyong Zeng},
journal= {arXiv preprint arXiv:1912.02233},
year = {2019}
}
备注
25 Pages, 2 figures