超图上基于 Wasserstein 距离的软标签传播：算法与泛化误差界
机器学习
2018-11-20 v2 机器学习
摘要
受近期在超图上开发机器学习和数据挖掘算法兴趣的启发，本文研究了通过最优传输在超图上传播“软标签”（如概率分布、类别隶属度分数）的半监督学习算法。借鉴图上 Wasserstein 传播 [Solomon et al. 2014] 的见解，我们将标签传播过程重新表述为一种消息传递算法，这自然衍生出通过 Wasserstein 重心适用于超图的推广。此外，在 PAC 学习框架下，我们利用 2-Wasserstein 距离，通过确立所提半监督学习算法的算法稳定性，给出了在图和超图上传播一维分布的泛化误差界。这些理论结果也为更深入理解图上的 Wasserstein 传播提供了新视角。
引用
@article{arxiv.1809.01833,
title = {Wasserstein Soft Label Propagation on Hypergraphs: Algorithm and Generalization Error Bounds},
author = {Tingran Gao and Shahab Asoodeh and Yi Huang and James Evans},
journal= {arXiv preprint arXiv:1809.01833},
year = {2018}
}
备注
To appear in Proc. AAAI'19