量化图上的在线半监督学习
机器学习
2012-03-19 v1 机器学习
摘要
本文解决了在线半监督学习（SSL）问题。当数据以流形式到达时，任何SSL方法都会面临计算和数据存储的双重问题。我们提出了一种快速近似的在线SSL算法，该算法在近似图上求解调和解。我们从经验和理论上证明，通过将邻近点折叠为一组最小化失真的局部“代表点”，可以实现良好的行为。此外，我们对调和解进行正则化以获得更好的稳定性。我们将算法应用于人脸识别和光学字符识别任务，表明可以利用流形结构超越先前方法。与之前的启发式方法不同，我们证明了我们的方法具有可证明的性能界限。
引用
@article{arxiv.1203.3522,
title = {Online Semi-Supervised Learning on Quantized Graphs},
author = {Michal Valko and Branislav Kveton and Ling Huang and Daniel Ting},
journal= {arXiv preprint arXiv:1203.3522},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Sixth Conference on Uncertainty in Artificial Intelligence (UAI2010)