Oct, 2013

利用 Count-Min Sketch 扩展基于图的半监督学习至大量标签

PDF
TL;DR本文介绍了 MAD-SKETCH 图半监督学习算法，通过使用 Count-min Sketch 数据结构，可以将每个节点上的标签分布紧凑存储，将空间复杂度从 O (m) 降低到 O (log m)，同时在时间复杂度上也获得类似的节省。实验结果表明，MAD-SKETCH 具有与现有最先进的图半监督算法类似的性能，并且在需要更好的空间和时间复杂度时表现出色，如在具有 100 万个标签的数据集中进行缩放。
semi-supervised learninggraph-based algorithmscount-min sketchspace complexitytime complexity
发现论文，激发创造
  • 使用流式逼近进行大规模分布式半监督学习

    本文提出了一种新颖的流图半监督学习逼近方法，旨在捕捉标签分布的稀疏性并确保算法准确地传播标签，进一步将每个节点的空间复杂度降低到 O (1)，同时提供了适用于大型数据的分布式算法和为自然语言应用构建的图构建机制以及经过深度学习架构训练的鲁棒性图增强策略，实验结果证明该方法在内存占用上具有显著的降低，并且在性能上优于现有的最先进算法。

    Dec, 2015

  • 基于图的半监督学习：综述

    本文着重阐述了基于图的半监督学习方法的各种变体及其概述、连接和发展方向。新的广义分类方法为图正则化和图嵌入方法提供了指导和最新的研究参考。

    Feb, 2021

  • 分布式草图缩放图聚类

    该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

    Jul, 2020

  • 可扩展的图自监督学习

    通过采样节点或维度，可以降低损失计算成本，并且不会降低下游性能。

    Feb, 2024

  • 寻求结构：联合学习图形结构和半监督分类

    本文提出了一种新的并行图学习框架 (PG-learn)，具有基于梯度的优化边缘权重和自适应资源分配方案的并行超参数搜索算法，能显著提高图构建的准确性和高效扩展到高维问题。

    Sep, 2019

  • 确定性标注与大间隔投影的半监督学习

    本研究提出了一种基于最优主导森林的半监督学习方法，通过 homeomorphism 选择一组最具代表性的样本进行标记，并学习一个核化大边界度量对剩余未标记样本进行分类，多样化的实验结果表明，该方法在稳定性和准确性方面均有显著提高，特别是对于多模态问题具有生效性。

    Aug, 2022

  • 量化图上在线半监督学习

    本文提出了一种快速的近似在线半监督学习算法，通过图的近似解决谐波方程，收缩近邻点得到局部代表点最小化畸变，使用这一算法在人脸识别和光学字符识别任务中取得了较好表现并得到了可证明的性能上限。

    Mar, 2012

  • 用于稀疏标记数据分类的持久性拉普拉斯增强算法

    本文提出一种称为 PL-MBO 的代数拓扑半监督学习方法，它将持久谱图理论与经典的 MBO 方法相结合，通过一系列链复杂体和关联的简单复杂体构建一族持久拉普拉斯变换，从而实现在标记数据量较少的情况下实现良好的性能。

    May, 2023

  • 密度感知图在深度半监督视觉识别中的应用

    该论文提出了一种基于密度感知图的半监督学习方法，利用密度信息进行特征学习和标签传播，从而充分利用未标记数据，并在端到端训练中提高性能。

    Mar, 2020

  • 通过 Count-Sketches 压缩梯度优化器

    通过引入线性草图的压缩辅助变量方法，可以在减小成本的情况下，实现与原算法相同的性能，这在大规模深度学习模型的训练中具有潜在的应用价值。

    Feb, 2019