阅读 Label Propagation through Linear Neighborhoods 感想

文章 Label Propagation through Linear Neighborhoods  中给出了一种类别转移的方法,通过迭代对未标记样本进行标记。


公式中ti是最初始的样本类别,w_ij 是权重。通过迭代获得最后的未标记样本的类别。

通过分析得到,最后的收敛的解是和公式(13)是一致的。

特点:

1:不用求矩阵的逆。

2:在构造w_ij的时候利用 和LLE类似的思想进行求解,利用最相近的几个样本来对当前样本进行表示。


思考:

1:权矩阵的构造是否可以结合标记样本的类别信息,既是:如果两个样本的类别一样,则对应的权重给的比较大,既是,在每一次迭代中,都更新W,

对应的公式既是 f^m+1 = a sum W(f^m) f^m +(1-a) t.

2:但是这样做的问题在于:是否收敛?如何构造W(f^m)?原本的类别转移是通过权重,将类别从有标记的样本转移到没有标记的样本中,但是,如果在构造W  的时候引入类别信息,则已经有类别信息的样本之间的权重比较大,没有类别的样本与有类别的样本之间的权重比较小,导致最后不收敛(这里收敛是指,未标记样本始终不能被标记)???

3:计算量仍然是一个问题,这里虽然没有矩阵求逆,但是,全部的样本放在一起构成的n*n的矩阵也是太大。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值