Learning with Local and Global Consistency

简介

半监督学习问题（直推推断）的主要方法设计一个相对于intrinsic structure平滑的分类函数，本证结构由已标注和未标注的数据揭露。
给定一组数据$\mathcal{X}=\{x_1,...,x_l,x_{l+1},...,x_n\}$以及一个标签集合$\mathcal{L}=\{1,2,...,c\}$，前l个数据已有标签，剩下的没有，算法的性能由这些未标注的数据的错误率测量。
半监督学习的的关键是一致性先验假设（prior assumption of consistency）。这意味着

• 靠近的数据点可能有相同的标签。
• 有相同结构的的数据点可能有相同的标签。
  这个论点很类似与聚类假设。前一个假设是局部的，后一个全局的。经典的监督学习方法大部分只是应用了第一种假设。

The main differences between the various semi-supervised learning algorithms, such as spectral methods, random walks, graph mincuts and transductive SVM, lie in their way of realizing the assumption of consistency.

一个简单的迭代算法可以构造一个平滑的函数。文中方法的关键是让每个点iteratively spread 他的标签信息到他的临近，直到实现全局稳定 。

算法

Given a point set $\mathcal{X} = \{x_1,..., x_l, x_l+1,..., x_n\} \subset \mathbf{R}^m$ and a label set $\mathcal{L} =\{1,...,c\}$the first l points $x_i(i\leq l)$ are labeled as yi∈L