Dec, 2015

使用流式逼近进行大规模分布式半监督学习

PDF
TL;DR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。
semi-supervised learningsketch-based methodsstreaming graph-based ssldistributed algorithmgraph augmentation strategy
发现论文，激发创造
  • 利用 Count-Min Sketch 扩展基于图的半监督学习至大量标签

    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。

    Oct, 2013

  • 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

  • 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

  • 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

  • 专家 / 模仿网络混合：可扩展的半监督学习框架

    本文提出了一个 semi-supervised learning (SSl) 的新方法：Mixture of Expert/Imitator Networks，该模型通过利用大量未标记数据来训练 imitator 网络模拟 expert 网络的标签分布，从而提高 text classification 任务的性能，实验结果表明该方法可适用于多种深度神经网络模型，并且性能随未标记数据的增加而提高。

    Oct, 2018

  • 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

  • 图形半监督学习用于关系网络

    本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

    Dec, 2016

  • 图像自监督学习：综述

    本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

    Feb, 2021

  • 深度半监督学习算法的实际评估

    通过实现多种常用的 SSL 技术并在一系列实验中进行测试，研究发现简单基线方法的表现通常被低估，而 SSL 方法对标记和未标记数据的敏感性不同，当未标记数据集包含类外示例时性能可能会显著下降，因此我们提供了一个公共代码重现平台以帮助实现 SSL 技术在实际应用中的可行性。

    Apr, 2018