半监督学习的拓扑方法

May, 2022

A Topological Approach for Semi-Supervised Learning

Adrián Inés, César Domínguez, Jónathan Heras, Gadea Mata, Julio Rubio

TL;DR本文基于拓扑数据分析 (Topological Data Analysis,TDA) 技术提出了两种半监督学习方法，一种基于骨架結构和水斗距离，另一种考虑数据的连通性，并将其应用于三个综合数据集和七个各色各样的结构体和图像数据集，实验结果表明，这些半监督方法能够有效地提高数据分类准确性达到 16%。

Abstract

Nowadays, machine learning and deep learning methods have become the state-of-the-art approach to solve data classification tasks. In orde

semi-supervised learning topological data analysis machine learning deep learning data classification

发现论文，激发创造

拓扑深度学习：新兴范式综述

本文综述了拓扑深度学习领域，回顾了拓扑数据分析的核心概念，探讨了如何将 TDA 技术融入到不同方面的深度学习中，并讨论了拓扑深度学习的挑战和未来前景。

Feb, 2023

用于词义消歧的拓扑数据分析

本研究使用拓扑数据分析模式，开发和测试了一种新型的自监督学习算法，用于词义识别和消歧任务，并在 SemCor 数据集上演示了其低相对误差，为自然语言处理领域中基于拓扑的算法提供了希望。

Mar, 2022

基于拓扑数据分析的可靠恶意软件分析和检测

使用代数拓扑的方法（TDA）来分析和侦测复杂的恶意软件模式，发现 TDA Mapper (结合 PCA) 在聚类和发现隐藏的恶意软件集群方面比 PCA 更好，持久图用于识别重叠的恶意软件集群。可以使用随机森林和决策树，以及 t-SNE 和持久图来应对噪声数据，提高恶意软件检测的性能和鲁棒性。

Nov, 2022

神经网络分析的拓扑数据分析综述

该研究综述了拓扑数据分析（TDA）在神经网络分析中的应用，并通过使用 TDA 工具如持久性同调和 Mapper 来探究神经网络及其数据集的复杂结构和行为。研究讨论了从数据和神经网络中获取拓扑信息的不同策略，并回顾了拓扑信息如何被利用来分析神经网络的特性，如其泛化能力或表达能力。重点讨论了深度学习在对抗检测和模型选择等领域的实际应用。将研究工作分为四个广泛领域：1. 神经网络架构的特征化；2. 决策区域和边界的分析；3. 内部表示、激活和参数的研究；4. 训练动态和损失函数的探索。在每个类别中讨论了几篇文章，并提供背景信息，以帮助理解各种方法。最后，综合研究获得的关键见解，讨论了领域中的挑战和潜在进展。

Dec, 2023

深度半监督学习概述

本文综述了深度半监督学习的概念及其在深度神经网络上的应用，以期实现更高的数据效率。

Jun, 2020

拓扑数据分析

本文综述了拓扑数据分析中用于数据结构发现的聚类、流形估计、非线性降维、模式估计、脊估计和持久同调等方法。

Sep, 2016

基于点云的节点级拓扑表示学习

通过离散拓扑学和微分几何的概念，我们提出了一种从复杂点云中提取节点级拓扑特征的新方法，并验证了这些拓扑点特征在合成和真实数据上的有效性以及其对噪声的鲁棒性。

Jun, 2024

利用拓扑特征的深度学习

本文提出了一种新颖的输入层技术，可以输入拓扑特征的签名到深度神经网络，并在训练过程中学习任务最优的表示方法，分类实验结果表明此技术的多功能性和优越性。

Jul, 2017

标签传播用于深度半监督学习

本研究利用基于流形假设的传导标签传播方法，对整个数据集进行预测，并利用这些预测值为未标记数据生成伪标签，并训练深度神经网络。经实验证明，这种方法在几种数据集中相对于当前的最新技术表现更好，特别是在有限标志数量的情况下。

Apr, 2019

解析图机器学习中拓扑数据分析的威力

我们详细测试了拓扑数据分析（TDA）的声称，并验证了其优点。我们的结果证实了 TDA 对异常值的鲁棒性和其解释性，并发现 TDA 在我们的具体实验中并没有显著提高现有方法的预测能力，同时增加了计算成本。我们研究了与图特征相关的现象，如小直径和高聚类系数，以减轻 TDA 计算的计算开销。我们的研究结果为将 TDA 整合到图机器学习任务中提供了宝贵的观点。

Jan, 2024