关于半监督分类中平均场模型的调参

半监督学习（SSL）因其在标注与未标注数据均可用场景下的学习能力而成为有趣的研究领域。本工作中，我们聚焦于转导任务——即目标是对呈现给学习器的所有数据进行标注——并采用 Potts 模型的平均场近似。针对该特定任务，我们研究分类结果如何依赖于 $\beta$，发现最优相高度依赖于可用标注数据的数量。在同一研究中，我们还观察到对 $\beta$ 微小波动更稳定的分类与高概率构型相关，并基于该观察提出一种调参方法。该方法依赖一个新参数 $\gamma$，随后我们将该量的两个不同取值与领域中经典方法进行比较评估。评估通过改变可用标注数据量与相似度图中最近邻数量进行。实证结果表明该调参方法有效，并使 NMF 在类别较少的数据集上优于其他方法。此外，$\gamma$ 的某一取值亦带来对邻居数变化更具韧性的结果，这或许会引起 SSL 领域实践者的兴趣。