Jun, 2020

Poisson Learning: 基于图的半监督学习在极低标签率下的应用

PDF
TL;DR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。
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

  • PTN: 一种用于半监督少样本学习的泊松转移网络

    本文提出一种 Poisson Transfer Network 方法来解决半监督 few-shot 学习的问题，通过 Poisson Merriman Bence Osher (MBO) 模型和对比学习来挖掘未标记数据，并且扩展了嵌入泛化度量，以提高模型性能。

    Dec, 2020

  • 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

  • 半监督学习的适当加权图拉普拉斯算子

    本文介绍了一种针对大数据量下半监督学习中图拉普拉斯方法性能下降问题的解决方案，通过正确设置拉普拉斯正则化的权重使得估计器在大样本情况下保持良好状态，并证明了其收敛性，最终实现连续达到标记值的问题平滑解，且方法实现快捷简便。

    Oct, 2018

  • 用游戏论 p-Laplacian 和半监督学习处理少标注数据

    研究了图上半监督学习中的博弈论 p-Laplacian，展示了在有限标记数据和无限未标记数据的情况下其是有限的。具体而言，我们展示了带有图上半监督学习的连续 p-Laplace 方程的连续极限是加权版本。我们还证明图 p-Laplace 方程的解近似是 Holder 连续的高概率。

    Nov, 2017

  • 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

  • 不充分和不正确监督下的学习

    本文提出了一种新颖的半监督学习范式，旨在解决标签不足和标签不准确的问题，该方法使用图来连接数据点以便在图边沿将标签信息从稀少标记示例传播到未标记的示例。实验证明，该方法在图像分类、文本分类和语音识别等领域有效降低标签误差，表现优于其他现有的半监督学习方法。

    Feb, 2019

  • 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