基于确定性标注与大间隔投影的半监督学习
人工智能
2022-10-11 v2
摘要
标注数据的中心性与多样性对半监督学习（SSL）性能影响很大，但多数 SSL 模型随机选取标注数据。本研究首先以无监督方式构建形成偏序拓扑空间的首领森林，并利用同胚性质一次性选取一组最具代表性的样本进行标注（本质上不同于主动学习）。随后，为所选数据高效学习一种核化大间隔度量，以对剩余未标注样本分类。最优首领森林（OLF）被观察到具有揭示子树内沿路径的差异演化的优势。因此，我们基于 OLF 构造优化问题来选取样本。同样借助 OLF，促进了多局部度量学习，以解决 SSL 中的多模态与混合模态问题，尤其在类别数较大时。得益于这一新颖设计，与最先进的图 SSL 方法相比，性能的稳定性和准确性显著提升。广泛的实验研究表明，所提方法取得了令人鼓舞的准确率和效率。代码已发布于 https://github.com/alanxuji/DeLaLA。
引用
@article{arxiv.2208.08058,
title = {Semi-supervised Learning with Deterministic Labeling and Large Margin Projection},
author = {Ji Xu and Gang Ren and Yao Xiao and Shaobo Li and Guoyin Wang},
journal= {arXiv preprint arXiv:2208.08058},
year = {2022}
}
备注
12 pages, ready to submit to a journal