半监督 Fréchet 回归

Apr, 2024

Semi-supervised Fréchet Regression

Rui Qiu, Zhou Yu, Zhenhua Lin

TL;DR本文探讨半监督的 Fréchet 回归领域，提出了两种基于图距离的半监督 NW Fréchet 回归和半监督 kNN Fréchet 回归方法，扩展了现有的半监督欧几里得回归方法的范围，并确定了它们在有限有标签数据和大量无标签数据的情况下的收敛速度，并考虑了特征空间的低维流形结构。通过广泛的模拟和对真实数据的应用，我们证明了我们的方法在性能上优于自身的有监督对照方法，填补了现有研究的空白，并为半监督的 Fréchet 回归领域的进一步探索和发展铺平了道路。

Abstract

This paper explores the field of semi-supervised Fr\'echet regression, driven by the significant costs associated with obtaining non-Euclidean labels. Methodologically, we propose two novel methods: semi-supervised NW Fr\'echet regression and semi-supervised kNN Fr\'echet regression, both based on graph distance acquired from all feature instances. These met

semi-supervised fréchet regression graph distance convergence rates low-dimensional manifold structure superior performance

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

基于紧致潜空间聚类的半监督学习

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。

Jun, 2018

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

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

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

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

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

一种使用非负样本的 k-NN 分类快速易懂的回归技术

本文提出了一种廉价的方法来学习有效的差异度量函数，该函数可用于 $k$- 最近邻分类。方法通过仅学习标记对象的变换来提高分类准确性，同时保持查询对象在原始坐标系中不变。通过解决标准岭回归问题，可以有效地学习变换，且速度比现有方法快两个数量级以上。此外，该方法消除了优化 “负” 对象对的开销，并具有减少数据中心极性的理论基础。

Jun, 2018

鲁棒半监督分类的投影估计器

研究使用二次代理损失函数进行分类的半监督学习方法，通过对监督估计在未标记数据施加的一组约束的投影，我们发现我们可以安全地提高用于此二次损失的监督解决方案，这是第一种具有如此强大但保守保证的方法，而不依赖于分类器的原有假设。

Feb, 2016

自适应合作相关学习基于半监督多标签特征选择

提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

Jun, 2024