结构化输出空间中的流形正则化用于半监督结构化输出预测

结构化输出预测旨在学习一个预测器，从输入数据向量预测结构化输出。结构化输出包括向量、树、序列等。我们通常假设拥有输入-输出对的训练集来训练预测器。然而，在许多现实应用中，难以获得输入对应的输出，因此许多训练输入数据点缺失结构化输出。本文中，我们讨论如何从由部分输入-输出对和部分无输出的输入数据点组成的训练集中学习。此问题称为半监督结构化输出预测。我们针对该问题提出一种新方法：从输入空间构建最近邻图以表征流形结构，并利用它直接正则化结构化输出空间。我们为每个训练数据点定义一个松弛结构化输出，并提议通过学习结构化输出预测器来预测它。松弛结构化输出与预测器的学习被统一在单一最小化问题中。在此问题中，我们提议最小化相邻数据点的松弛结构化输出之间的结构化损失，以及由结构化损失衡量的预测误差。该问题通过迭代算法优化。在三个基准数据集上的实验结果展示了其优势。