SERAPH：超稀疏半监督度量学习范式
机器学习
2015-03-19 v3 人工智能
摘要
我们提出一种称为 Seraph（超稀疏半监督度量学习范式）的通用信息论度量学习方法，该方法不依赖于流形假设。给定由马氏距离参数化的概率，我们遵循熵正则化，最大化该概率在标记数据上的熵并最小化其在未标记数据上的熵，这使得有监督和无监督部分能够以自然且有意义的方式整合。此外，Seraph 通过鼓励由度量诱导的低秩投影进行正则化。Seraph 的优化通过一种类似 EM 的方案高效且稳定地求解，该方案具有解析的 E 步和凸的 M 步。实验表明，Seraph 与许多知名的全局和局部度量学习方法相比表现良好。
引用
@article{arxiv.1105.0167,
title = {SERAPH: Semi-supervised Metric Learning Paradigm with Hyper Sparsity},
author = {Gang Niu and Bo Dai and Makoto Yamada and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1105.0167},
year = {2015}
}
备注
The same paper has been submitted to arXiv by ICML 2012. See http://arxiv.org/abs/1206.4614