Jun, 2019

图上半监督学习算法的一致性：Probit 和 One-hot 方法

PDF
TL;DR本文研究了基于图的半监督学习问题，探讨了标签带有小噪声和无标签数据集有良好聚类性质时，优化技术的一致性，分析了基于图的 Probit 算法和应用 One-Hot 编码的多类分类方法的优化目标函数，通过一致性分析阐明了定义优化所需的理性函数选择。
graph-based semi-supervised learningoptimization-based techniquesgraph-based probitbinary classificationmulti-class classification
发现论文，激发创造
  • 改进的基于图的半监督学习方案

    通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。

    Jun, 2024

  • 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

  • 一种统一的生成模型用于图学习算法：标签传播、图卷积和组合

    本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

    Jan, 2021

  • 一种基于超图半监督学习的非线性扩散方法

    本文开发了一种在超图上扩散特征和标签的非线性扩散方法，通过超图结构进行扩散可以将其解释为超图平衡网络，并以此为节点内嵌，使用线性模型进行预测。该方法比几种超图神经网络更准确，训练时间也更短。

    Mar, 2021

  • 半监督图不平衡回归

    本研究提出一种半监督自训练框架以解决图形回归任务中标签值稀疏的问题，并通过伪标签和图例增强等方法来平衡训练数据，从而显著减少预测图形属性的误差。

    May, 2023

  • 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

  • 利用结构提高分类偏置数据的准确性

    通过假设在分组不可知的特征空间中分组投影的类条件不变性，我们提出了一种在半监督学习中利用数据内在分组结构来优化分类器的方法，从而可以提高 ROC 曲线下面积。

    Dec, 2022

  • 缺失随机标签时的可靠半监督学习

    本文介绍了一种半监督学习的方法， 采用生成模型与监督学习算法，放松了对未标记特征的约束，可提高分类器的可靠性，从而准确量化标签不确定度。

    Nov, 2018

  • 一种用于半监督图学习的一致性扩散算法

    半监督分类的目标是基于所知少数节点（称为种子）的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理，否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的，还在实际图上带来了显著的性能提升。

    Nov, 2023

  • Poisson Learning: 基于图的半监督学习在极低标签率下的应用

    本文提出了一种称为 Poisson 学习的新框架，用于在标签率非常低的情况下进行基于图的半监督学习。该方法取代了在训练点处分配标签值的过程，并将其替换为源和汇的布置，并在图上解决了由此产生的泊松方程。数值实验证明，该方法优于 MNIST，FashionMNIST 和 Cifar-10 上的半监督学习的其他最新方法，并且是高效且易于实现的。我们还提出了一种名为 Poisson MBO 的 Poisson 学习的图割增强方法，可以提高精度并可以包含相对类大小的先验知识。

    Jun, 2020