基于特征增广图基函数的图半监督学习
机器学习
2020-03-18 v1 数值分析
信号处理
数值分析
摘要
对于图上的半监督学习，我们研究了在监督学习机制中初始核如何借助已知先验或从无监督学习输出中获得的额外信息进行增广。这些增广核以基于核与额外特征核的 Schur-Hadamard 积的简单更新方案构造。作为正定核的生成器，我们将聚焦于图基函数（GBF），其允许通过图傅里叶变换纳入图的几何信息。使用正则化最小二乘（RLS）机器学习方法，我们将对所导出的增广核在图数据分类上进行测试。
引用
@article{arxiv.2003.07646,
title = {Semi-Supervised Learning on Graphs with Feature-Augmented Graph Basis Functions},
author = {Wolfgang Erb},
journal= {arXiv preprint arXiv:2003.07646},
year = {2020}
}
备注
22 pages, 6 figures, 5 tables