基于非归一化超图 p-Laplacian 的半监督学习方法
机器学习
2019-04-30 v3 机器学习
摘要
大多数基于网络的机器学习方法假设网络中两个相邻样本的标签很可能相同。然而,假设样本间的成对关系是不完备的。一组表现出非常相似模式且倾向于具有相似标签的样本的信息被遗漏了。克服上述假设信息损失的自然方式是将样本的特征数据集表示为超图。因此,在本文中,我们将提出非归一化超图 p-Laplacian 半监督学习方法。这些方法将应用于 zoo 数据集和 20 newsgroups 数据集的 tiny 版本。实验结果表明,这些基于非归一化超图 p-Laplacian 的半监督学习方法的准确率性能指标显著大于基于非归一化超图 Laplacian 的半监督学习方法(当前最先进的用于 p=2 分类问题的超图 Laplacian 半监督学习方法)的准确率性能指标。
引用
@article{arxiv.1811.02986,
title = {Un-normalized hypergraph p-Laplacian based semi-supervised learning methods},
author = {Loc Hoang Tran and Linh Hoang Tran},
journal= {arXiv preprint arXiv:1811.02986},
year = {2019}
}
备注
13 pages, 3 figures, 2 tables. arXiv admin note: text overlap with arXiv:1810.12743, arXiv:1212.0388