摘要
非线性降维和半监督学习都是近年来机器学习的热点。将半监督的方法运用到非线性降维中,提出了基于图的半监督降维的算法。该算法用等式融合的方法推出了标记传播算法的另一种表达形式,用标记传播的结果作为初始的数据映射,然后在图谱张成的线性空间中寻找最逼近初始映射的数据作为最后的半监督降维的结果。实验表明,所提算法可以获得平滑的数据映射,更接近于理想的降维效果。与标记传播算法、图谱逼近算法、无监督的降维算法的比较也体现出本算法的优越性。
Nonlinear dimensionality reduction and semi-supervised learning are both hot issues in machine learning area.Based on semi-supervised method,the article solved nonlinear dimensionality reduction problem to make up for the shortfall of ordinary methods.By using integration of equalities,a novel expression of label propagation algorithm was proposed.We used the label propagation result as the initial value mapping,and then found the best approximation to it in the graph spectral space.The experiment shows that our semi-supervised dimensionality reduction method can achieve smooth data mapping that is closer to the ideal effect.
出处
《计算机科学》
CSCD
北大核心
2014年第4期280-282,296,共4页
Computer Science
基金
国家科技支撑计划课题(2012BAD35B07)
湖南省教育厅优秀青年项目(12B023)资助
关键词
半监督学习
流形学习
标记传播
图谱理论
Semi-supervised learning
Manifold learning
Label propagation
Spectral graph theory
作者简介
杨格兰（1975-）,男,硕士,副教授,主要研究方向为机器学习、模式识别,E-mail：glyang@mail.ustc.edu.cn
孟令中（1981-）,男,博士,主要研究方向为软件可信性、软件测试.
