KDDMay, 2014

使用采样理论进行图信号主动半监督学习

PDF
TL;DR提出了一种基于图信号采样理论的离线池式主动半监督学习框架，该框架使用节点选择来最大化从采样集重构信号的频率，以解决有限的已标记数据但有大量未标记数据的问题。
active semi-supervised learninggraphssampling theorynode selectionreconstruction
发现论文，激发创造
  • 基于图的离散信号处理：采样理论

    本文提出了适用于有向图和无向图信号的抽样定理，可以实现在保证完美恢复的前提下降低样本量，且可以将采样后的信号系数形成新的图信号，该理论还被应用于半监督分类，以较少的标记样本就达到了与之前工作相似甚至更好的性能。

    Mar, 2015

  • 图信号采样理论的概率解释

    本研究给出了图信号采样理论的概率解释，通过概率高斯场与贝叶斯推断等方法，阐述了该理论在最小方差准则下，对最优采样及半监督分类等方面的应用。

    Mar, 2015

  • 基于图滤波的高效半监督学习

    提出了一种基于图滤波器的半监督学习框架，能够将数据特征作为图信号注入图相似性中，并使用低通滤波器从图信号中抽取有用的数据表示，从而实现标签高效的半监督学习，同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。

    Jan, 2019

  • 图上信号恢复：采样策略的基本限制

    本文提出了一种关于新提出的类光滑图信号的恢复方法，该方法可以在三种采样策略下实现，通过实验设计采样和计算出最大风险下的极小值下限，提出了一种恢复策略来比较不同采样策略带来的误差，并找到了一种最佳的恢复速率。

    Dec, 2015

  • 使用连续本地聚合对图信号进行采样

    本文介绍了一种用于图信号采样的新方案，旨在更高效地实现信号稀疏表示和重建，基于图驻点合成算子和 VandeMonde 矩阵结构，可以针对有向环和非环图的信道进行采样和插值，同时进行了实验验证。

    Apr, 2015

  • 图上主动学习中的不确定性

    基于节点分类的不确定性采样是主动学习策略，通过迭代地获取具有最高不确定性的数据点的标签，以提高机器学习模型的数据效率。本文首次对节点分类的不确定性采样进行了全面研究，我们超越了预测不确定性来评估不确定性采样，揭示了与其他主动学习策略之间的显著性能差距，并开发了基于数据生成过程的地面真实贝叶斯不确定性估计，证明了其在引导最佳查询中的有效性。在合成数据上验证了我们的结果，并设计了一种近似方法，不断优于其他真实数据集上的不确定性估计。基于此分析，我们将不确定性建模中的问题与现有方法联系起来，我们的分析有助于并引导了基于图的原则性不确定性估计的发展。

    May, 2024

  • 基于本地集的图信号重构

    本文引入了本地集概念，并提出了两种基于本地集的迭代方法，用于从采样数据中重建图信号的带限信号。该方法基于帧理论和本地集概念，提出了几个帧和收缩算子。通过计算机模拟实验，证明了这些算法的有效性。

    Oct, 2014

  • 基于超图的自监督学习与高效采样信号

    SE-HSSL 是一个基于超图的自我监督学习框架，通过两个无需采样的目标和一个基于层次关系的对比目标来解决超图自我监督学习模型中的负样本采样偏差和计算效率问题。实验证明，与现有方法相比，SE-HSSL 在有效性和效率上都具有优势。

    Apr, 2024

  • 图信号的采样和恢复

    本文概述了关于图信号采样和恢复的最新进展，包括完美恢复带限图信号的条件、减轻噪声和模型不匹配效应的采样设计标准、自适应恢复和跟踪动态图信号的算法和最优采样策略，以及图信号处理方法在采样、插值和跟踪不规则域信号方面的潜在优势。

    Dec, 2017

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019