基于图的半监督分类器中扩散率与标签可靠性的优化
机器学习
2022-01-11 v1
摘要
半监督学习受到了研究人员的关注，因为它允许人们利用无标签数据的结构，以比监督方法少得多的标签取得有竞争力的分类结果。局部与全局一致性（LGC）算法是最著名的基于图的半监督（GSSL）分类器之一。值得注意的是，其解可写为已知标签的线性组合。该线性组合的系数依赖于参数 ，决定了在随机游走中到达有标签顶点时奖励随时间的衰减。在本工作中，我们讨论了去除有标签样本的自影响可能是有益的，以及它如何与留一法误差相关。此外，我们提出用自动微分最小化该留一法损失。在此框架下，我们提出了估计标签可靠性和扩散率的方法。扩散率的优化借助谱表示可更高效地完成。结果表明，标签可靠性方法与鲁棒 L1 范数方法相竞争，且去除对角项降低了过拟合风险并给出了合适的参数选择准则。
引用
@article{arxiv.2201.03456,
title = {Optimizing Diffusion Rate and Label Reliability in a Graph-Based Semi-supervised Classifier},
author = {Bruno Klaus de Aquino Afonso and Lilian Berton},
journal= {arXiv preprint arXiv:2201.03456},
year = {2022}
}