- 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。
- 半监督学习的一致性、随机拔河游戏和 p - 拉普拉斯算子
该论文主要概述了偏微分方程与基于图的半监督学习的交叉领域,重点介绍了最近关于图基学习的 PDE 连续极限的大量研究,用于证明大数据极限下半监督学习算法的适定性。我们强调了一些围绕图基半监督学习的一致性的有趣研究方向,并通过 p-Laplac - 非线性适正平滑的半监督学习
提出了一种名为非线性纠正与平滑(NLCS)的方法,该方法通过将非线性和高阶表示结合到残差传播中,有效处理复杂的节点关系,在高阶图中联合利用标签和特征,显著提高了基准预测和现有后处理方法的性能。
- 从聚类假设到图卷积:重新思考基于图的半监督学习
本文通过在统一的优化框架中理论讨论了传统浅层学习方法与基于图卷积网络(GCNs)的关系,并提出了三种简单但强大的图卷积方法,包括有监督方法 OGC 以及两种无监督方法 GGC 和其多尺度版本 GGCM,最后通过大量实验证明了我们方法的有效性 - 在 Stiefel 流形上的半监督拉普拉斯学习
该研究论文提出了一种基于图的半监督学习的非凸泛化解决方案,通过使用 Laplacian 特征向量解决了低标签率下标准算法退化的问题,并通过选择信息样本实现了较低的分类错误率。
- 基于图的标签传播在半监督说话人识别中的应用
本文提出了一种基于图形的半监督学习方法,用于家庭情景下的说话人识别,以利用未标记的语音样本,并在 VoxCeleb 数据集上的实验中显示出,与两种最先进的评分方法以及基于伪标签的半监督变量相比,该方法有效地利用了未标记的数据并提高了说话人识 - ICML基于图的高效主动学习,采用概率似然的 Probit 近似
该研究介绍了如何在非高斯贝叶斯模型下 对基于图的半监督学习 (SSL) 进行主动学习的新型适应方法,包括适用于非高斯分布的新型收集方法和模型重训练。
- 基于图半监督学习的数据投毒攻击统一框架
本文提出了一个通用框架,用于针对基于图形的半监督学习(G-SSL)的数据投毒攻击。在真实数据集上测试了该框架,并评估了 G-SSL 算法的稳健性。
- CVPR基于图的半监督学习:严重限制标注数据下的简陋模型
本文介绍了一种新的框架 ' 破产 ',用于处理有限标记样本的图半监督学习,并成功地将其应用于节点分类和图像分类任务中。该框架通过学习度量空间来改善学习表现,同时利用有限的标记样本的语义知识和与大量未标记样本的连接模式。
- WSDM半监督分类的循环注意漫步
本文使用基于图的半监督学习方法对带属性节点进行分类。通过提出图游走的策略,使用强化学习来实现分类器的最大化精度,使得该方法能够灵活应对不同的归纳或传导学习任务,并且在四种数据集上测试结果表明,该方法胜过当前多种方法。
- 图上半监督学习算法的一致性:Probit 和 One-hot 方法
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 - 基于置信度的图卷积网络用于半监督学习
本文提出了 ConfGCN,并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响,从而获得了各向异性的能力,从而在标准基准测试中超过了现有技术水平的基线,以解决基于 GCN 的设置下缺乏置信度评估的问题。
- 图形半监督学习用于关系网络
本文针对关系网络中的半监督学习问题提出了两种可扩展的方法,可以更好地处理链接多样性和分类异质性等图结构异质性,相比于现有算法,我们的方法在不需要先验知识的情况下提供更好的分类性能。
- ACL基于图形半监督学习的形态句法词典生成
本文介绍了一种基于图的半监督学习方法,利用单词之间的形态、句法和语义关系,从种子集合自动构建广覆盖的词汇表。该方法不受语言约束,可用于 11 种语言,并可通过提供的自动创建词汇表提高词汇标记和依存解析的性能。
- 基于查询的多文档摘要:将新颖主题模型与基于图的半监督学习相结合
通过引入句子层级和主题层级的图半监督学习方法,以及利用句子和词之间的依赖关系构建主题模型,可以有效改善查询聚焦的多文档摘要的质量。经实验证明,该方法在 DUC 和 TAC 数据集上非常有效。