S2MAM：半监督元加法模型用于稳健估计与变量选择
机器学习
2026-05-28 v3 人工智能
机器学习
摘要
以流形正则化为核心的半监督学习是一种经典框架，用于同时从标记和未标记数据中进行学习，其中关键要求是未知边缘分布的支持具有黎曼流形的几何结构。通常情况下，基于拉普拉斯-贝尔特拉米算子的数学流形正则化可通过与整个训练数据及其相应图浸 Laplacian 矩阵相关的拉普拉斯正则化来经验地近似。然而，图浸 Laplacian 矩阵高度依赖于预先指定的相似度度量，可能在处理冗余或噪声输入变量时导致不合适的惩罚。为此，本文提出了一种新的半监督元加法模型（SMAM），基于双层优化方案自动识别信息变量、更新相似度矩阵，并同时实现可解释的预测。为 SMAM 提供了理论保证，包括计算收敛性和统计泛化界。通过 4 个合成数据集和 12 个真实数据集进行实验评估，结果表明该方法在各种程度和类型的噪声下具有稳健性和可解释性。
引用
@article{arxiv.2604.19072,
title = {S2MAM: Semi-supervised Meta Additive Model for Robust Estimation and Variable Selection},
author = {Xuelin Zhang and Hong Chen and Yingjie Wang and Tieliang Gong and Bin Gu},
journal= {arXiv preprint arXiv:2604.19072},
year = {2026}
}
备注
Accepted by ICML'2026 as Accept (regular)