-
题名基于多图的交替优化图直推方法
- 1
-
-
作者
修宇
王骏
王忠群
刘三民
-
机构
安徽工程大学计算机与信息学院
IBMT J Watson研究中心
-
出处
《计算机应用》
CSCD
北大核心
2015年第6期1611-1616,共6页
-
基金
国家自然科学基金资助项目(71371012,71171002)
教育部人文社科规划项目(13YJA630098)
+2 种基金
安徽省优秀青年人才基金重点项目(2013SQRL034Z)
安徽省高校省级科学研究项目(TSKJ2014B10)
安徽工程大学计算机应用技术重点实验室开放基金资助项目(JSJKF201510)
-
文摘
针对基于单图的半监督学习(GSSL)算法的性能受单个图质量的影响,且在单视图数据下,大多数基于多图的GSSL算法难以使用的问题,提出了一种基于多图的交替优化图直推方法(MG-GTAM)。首先,使用不同的图构建参数来构建单视图数据下的多个图,利用多个图来表达数据间关系;然后,借助交替迭代方式综合多个图的信息,选择置信度高的未标记样本进行伪标记并通过权重权衡各图的重要程度,以优化多图上的预测函数的一致性和平滑性;最后通过组合每个图的预测函数完成对所有未标记样本的标记。仿真实验表明,与经典的局部和全局一致(LGC)、高斯随机场和调和函数(GFHF)、交替优化直推(GTAM)、组合图拉普拉斯(CGL)算法相比,在COIL20目标物体数据集和NEC Animal数据集上,MG-GTAM的分类错误率比这些经典算法均有下降,表明了该方法具有良好的性能。实验结果表明,MG-GTAM能有效地利用多个图来表达数据之间的关系,获得更低的分类错误率。
-
关键词
图半监督学习
图直推
图构建
多图
交替优化
-
Keywords
graph-based semi-supervised learning （gssl）
graph transduction
graph construction
multi-graph
alternating minimization
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名可能性聚类假设的多模适应学习方法
被引量：1
- 2
-
-
作者
但雨芳
陶剑文
赵悦
潘婕
赵宝奇
-
机构
宁波职业技术学院电子信息工程学院
哈尔滨工业大学航天学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第6期1329-1342,共14页
-
基金
宁波职业技术学院研究机构专项课题(NZ21JG006)
浙江省公益技术研究计划/工业项目(LGG20F020013)
浙江省教育厅科研项目(Y202147455,Y202147436)。
-
文摘
基于图的半监督学习(GSSL)凭借其直观性和良好的学习性能,在机器学习领域吸引了越来越多的关注。然而,通过分析发现,现有基于图的半监督学习方法存在对噪声、异常数据的鲁棒性不够好以及较敏感的问题。此外,该方法具有较好性能的前提是训练数据与测试数据为独立同分布(IID),导致在实际应用中存在一定的局限性。为解决上述问题,在某个再生核Hilbert空间,在充分考虑最小化噪声、异常数据影响的基础上,结合不同数据分布特点,基于结构风险最小化模型,提出一种基于可能性聚类假设的多模型适应学习方法(MA-PCA)。其主要思想为:通过模糊熵减弱噪声、异常数据对方法所带来的负面影响;综合考虑训练数据与测试数据在独立同分布和在独立不同分布时进行有效的多模适应学习,弱化训练数据和测试数据的独立同分布约束条件亦具有较好性能;给出了算法实现及其收敛性定理。在多个真实视觉数据集上分别进行了大量实验并进行深入分析,证实了所提方法具有优越的或可比较的鲁棒性和泛化性能。
-
关键词
基于图的半监督学习(gssl)
多模适应
可能性聚类
模糊熵
-
Keywords
graph based semi-supervised learning(gssl)
multi-model adaptation
possibilistic clustering
fuzzy entropy
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP301.6
[自动化与计算机技术—计算机系统结构]
-
