ICMLJun, 2018

基于紧致潜空间聚类的半监督学习

PDF
TL;DR本文介绍了一种新的成本函数来进行神经网络的半监督学习，该函数通过动态创建一个图形来捕获特征空间中的潜在结构，并使用标签传播来估计其高和低密度区域，最终利用马尔科夫链设计出一种成本函数，以形成每类一个单一的紧凑簇，同时在优化过程中避免扰乱现有的簇，该方法在三个基准测试中表现良好，将基于图形的正则化的优点与高效的归纳推理相结合，不需要修改网络架构，可以轻松应用于现有网络，实现对未标记数据的有效利用。
semi-supervised learningneural networksclusteringgraph-based regularizationunlabeled data
发现论文，激发创造
  • 高效学习图形进行半监督学习

    本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

    Jun, 2023

  • 用紧凑的潜在空间聚类改进远程监督的实体类型识别

    本研究针对远程监督 Fine-grained 实体类型标注（FET）中存在的错误实体类型标签问题，提出了 Compact Latent Space Clustering（CLSC）方法来进行正则化，并借助标签传播推断出嘈杂数据，在嵌入空间中鼓励具有相似语义的实体提供更好的分类性能，且实验证明此方法在标准基准上普遍优于最先进的远程监督实体类型标注系统。

    Apr, 2019

  • 度量嵌入的半监督深度学习

    本文提出了一种基于深度度量嵌入的半监督学习算法，利用少量标注数据和无标注数据的相对距离关系约束，得到在欧氏空间内区分力强的分类器，并可用于基于最近邻分类的应用。

    Nov, 2016

  • 朝向适合 K 均值算法的空间：同时进行深度学习与聚类

    本文提出了一种利用深度神经网络实现联合降维和 K-means 聚类的方法，通过学习非线性函数的深度神经网络，以期获得更好的聚类和降维效果。

    Oct, 2016

  • 使用图嵌入重新审视半监督学习

    介绍了一种基于图嵌入的半监督学习框架，重点研究了在图中联合预测类别标签和邻域上下文信息的方法，并在包括文本分类等多个基准任务上，相比已有的模型表现出了更好的性能。

    Mar, 2016

  • ClusterGAN：生成对抗网络中的潜空间聚类

    本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。

    Sep, 2018

  • 基于图高斯过程的贝叶斯半监督学习

    提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

    Sep, 2018

  • 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

  • 利用深度表示学习进行短文本半监督聚类

    提出了一种半监督的短文本聚类方法，使用神经网络将文本表示为分布式向量，并使用少量标记数据来指定聚类目标，并通过设计新的目标将表示学习过程和 k 均值聚类过程结合在一起优化，最后迭代地用已标记和未标记的数据来优化整个目标，得到了比其他文本聚类方法更好的实验结果。

    Feb, 2016

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019