利用低秩流形正则化求解弱监督回归问题
机器学习
2021-04-15 v1 数值分析
数值分析
机器学习
摘要
我们求解一个弱监督回归问题。所谓“弱”是指：部分训练点的标签已知，部分未知，其余则因随机噪声或其他原因（如资源匮乏）而不确定。求解过程需要优化某个目标函数（损失函数），该函数结合了流形正则化与低秩矩阵分解技术。这些低秩近似使我们能够加速所有矩阵计算并降低存储需求，这对于大型数据集尤为关键。我们采用集成聚类来获取共关联矩阵，并将其视为相似度矩阵。这些技术的使用提高了解的质量与稳定性。在数值实验部分，我们通过蒙特卡洛建模将所提方法应用于人工与真实数据集。
引用
@article{arxiv.2104.06548,
title = {Solving weakly supervised regression problem using low-rank manifold regularization},
author = {Vladimir Berikov and Alexander Litvinenko},
journal= {arXiv preprint arXiv:2104.06548},
year = {2021}
}
备注
14 pages, 5 Tables