基于鲁棒三矩阵恢复的自动加权标签传播分类方法
机器学习
2019-11-21 v1 机器学习
摘要
基于图的半监督标签传播算法已取得令人印象深刻的分类结果。然而,估计的软标签通常包含混合符号与噪声,由于缺乏合适的约束而导致不准确的预测。此外,现有方法通常在原始输入空间中计算权重并估计标签,而原始输入空间通常含有噪声与损坏。因此,所编码的相似度与流形平滑性对于标签估计可能不准确。本文中,我们提出解决这些问题的有效方案,并给出一种新颖且鲁棒的半监督分类算法,即基于三矩阵恢复的鲁棒自动加权标签传播框架(ALP-TMR)。我们的 ALP-TMR 引入三矩阵恢复机制,以从估计的软标签中去除噪声或混合符号,并在分配权重与预测标签的步骤中同时提升对噪声与离群点的鲁棒性。我们的方法可通过将原始数据、预测的软标签或权重分解为干净部分加误差部分来拟合噪声,从而联合恢复潜在的干净数据、干净标签与干净权重空间。此外,ALP-TMR 通过在恢复出的干净数据与干净软标签上最小化重构误差来集成自动加权过程,从而能更准确地编码权重,改善数据表示与分类。通过在恢复的干净标签与权重空间中对样本分类,有望改善标签预测结果。大量实验结果表明了我们的 ALP-TMR 的满意性能。
引用
@article{arxiv.1911.08678,
title = {Robust Triple-Matrix-Recovery-Based Auto-Weighted Label Propagation for Classification},
author = {Huan Zhang and Zhao Zhang and Mingbo Zhao and Qiaolin Ye and Min Zhang and Meng Wang},
journal= {arXiv preprint arXiv:1911.08678},
year = {2019}
}
备注
Accepted by IEEE TNNNLS