【阅读论文】《Learning with Local and Global Consistency》

最新推荐文章于 2024-09-09 19:27:06 发布

cd_maomao

最新推荐文章于 2024-09-09 19:27:06 发布

阅读量1.9k

点赞数 2

分类专栏：阅读论文文章标签：半监督学习机器学习

本文链接：https://blog.csdn.net/weixin_39107928/article/details/108326110

版权

本文深入探讨了一种半监督学习方法，基于局部和全局一致性假设，通过迭代算法平滑分类函数，有效地利用未标记数据。实验表明，这种方法在多种任务中取得了良好的效果，能改善监督学习的分类结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：
Learning with Local and Global Consistency
Dengyong Zhou, Olivier Bousquet

摘要：提出一个半监督学习方法，设计一个足够 smooth、关于已标记和未标记点共同所揭示的内部结构的分类函数。用一个简单的算法获得这样一个smooth的solution。我们的方法在许多分类问题上产生了令人鼓舞的实验结果，并证明了未标记数据的有效利用。

半监督学习问题的关键是先验一致性假设：
（1）nearby points are likely to have the same label; （局部一致性）
（2）points on the same structure (typically referred to as a cluster or a manifold) are likely to have the same label.（全局一致性）

我们方法的基调是让每个点迭代地将其标签信息扩展到其邻居，直到获得全局稳定状态。

1、算法

给定点集X={x1,…,xl,xl+1,…xn}，以及标签集L={1,…c}，前 l 个点xi的标签是yi (属于L集合)，其余点为未标记的，目标是预测为标记点的label.
在这里插入图片描述

F是一系列非负的nc的矩阵。F可以理解为一个向量函数，为每一个xi分配一个Fi。
定义一个 nc matrix Y（属于F），如果xi被标记（yi = j），则Yij = 1，否则Yij = 0 。显然，Y与初始标签一致。
算法步骤：
1.如果i != j且Wii = 0，则定义亲和度矩阵W，用来表示样本之间的空间位置关系，且其对角线元素为0。