基于 Wasserstein 距离的半监督流形学习及其在 GNSS 多路径检测中的应用
机器学习
2025-12-08 v1 信号处理
机器学习
摘要
本研究的主要目标是提出一种基于 optimal transport 的半监督方法，从稀缺标记图像数据中进行学习。其原理在于使用深度卷积网络进行隐式基于图的诱导式半监督学习，其中图像样本之间的相似性度量为 Wasserstein 距离。该度量用于学习中的标签传播机制。我们将该方法应用于 GNSS 实际应用中。具体而言，我们解决多路径干扰检测的问题。在 various signal conditions 下进行实验。结果表明，对于控制半监督程度和度量对敏感性的 specific 超参数选择，分类准确率相对于完全监督训练方法可显著提高。
引用
@article{arxiv.2512.05567,
title = {Wasserstein distance based semi-supervised manifold learning and application to GNSS multi-path detection},
author = {Antoine Blais and Nicolas Couëllan},
journal= {arXiv preprint arXiv:2512.05567},
year = {2025}
}