Bipartite Graph正则

本文将对Bipartite Graph正则方法进行总结。

1.Scalable Semi-Supervised Learning by Efficient Anchor Graph Regularization（2016KDE）

动机：AGR still has limitations in its two components: (1) in anchor graph construction, the estimation of the local weights between each datapoint and its neighboring anchors could be biased and relatively slow; and (2) in anchor graph regularization, the adjacency matrix that estimates the relationship between datapoints, is not sufficiently effective。

 anchor点利用kmeans 计算，

假设f为标签预测函数

 

 目标函数如下：

2.Fast Semisupervised Learning With Bipartite Graph for Large-Scale Data(2020TNN)

 graph构造方法：

 

目标函数如下：

 第一项为anchor图正则,第二项为计算得到的标签与原始标签的差异。

2.Fast Semi-Supervised Learning with Optimal Bipartite Graph（2020KED）

与文章1相比，多加了一项对anchor的优化。

3. Efficient and Robust MultiView Clustering With Anchor Graph Regularization（2022TCSVT）

目标函数如下：

 第一项为anchor graph分解（熵范数替代二范数），第二项为图正则。

总结：

1.图正则的方法，利用anchor graph 构造 整体 graph,然后利用整体graph进行图正则；

2.anchor构造方法3种：高斯核kernel度量相似性，利用LLE 重构，利用文章2中的方法进行计算。

未完待续