流形与成对约束联合正则化半监督分类方法

TP181; 半监督学习方法主要通过学习少量标记样本和大量未标记样本知识来提高学习效果,然而目前许多半监督方法注重在未标记样本的利用上深耕,忽略了对标记样本等监督信息的继续研究.鉴于此,结合流形正则化框架提出了一种流形与成对约束联合正则化半监督分类方法(semi-supervised classification method based on joint regularization of manifold and pairwise constraints,SSC-JRMPC).SSC-JRMPC从两个方面进行研究:一方面该方法继承了流形正则化框架中的特点,将经验风险和结构风险最小化,以及对...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 11; no. 2; pp. 303 - 313
Main Authors 奚臣, 钱鹏江, 顾晓清, 蒋亦樟
Format Journal Article
LanguageChinese
Published 江南大学数字媒体学院,江苏无锡,214122 2017
Subjects
流形正则化
manifold regularization
pairwise constraints
半监督学习
semi-supervised learning
classification
成对约束
分类
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1510018

Cover

More Information
Summary:TP181; 半监督学习方法主要通过学习少量标记样本和大量未标记样本知识来提高学习效果,然而目前许多半监督方法注重在未标记样本的利用上深耕,忽略了对标记样本等监督信息的继续研究.鉴于此,结合流形正则化框架提出了一种流形与成对约束联合正则化半监督分类方法(semi-supervised classification method based on joint regularization of manifold and pairwise constraints,SSC-JRMPC).SSC-JRMPC从两个方面进行研究:一方面该方法继承了流形正则化框架中的特点,将经验风险和结构风险最小化,以及对整个数据的内在数据分布进行运用;另一方面,通过将样本标签转化为成对约束的形式,并把这些扩展的知识并入到目标公式中来进一步探索监督信息包含的知识,一定程度上提高了SSC-JRMPC算法的分类准确性.通过在真实数据集上的实验,验证了上述优点.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1510018