刘晓兰;潘少华;郝志峰;林志勇 基于图的软约束混合标记传播半监督学习。 （英语） Zbl 1354.68224号 信息科学。 277, 327-337 (2014). 摘要：近年来，各种基于图的算法被提出用于半监督学习，其中标记和未标记的示例被视为加权图中的顶点，示例之间的相似性通过边的权重进行编码。然而，这些方法大多不能用于处理差异或负相似性。本文提出了一种具有单一软约束的混合标签传播模型，该模型可以有效地同时处理正相似度和负相似度，并允许对标签数据进行重新标记。具体来说，软混合标签传播模型是一个具有单一二次约束的分数次二次规划问题，我们应用了全局最优算法[A.贝克等，SIAM J.矩阵分析。申请。28，第2期，425–445页（2006年；Zbl 1115.65065号)]为了求解它，在计算量为（O（n^3\log\epsilon^{-1}）的情况下，得到一个（epsilon）-全局最优解。对常见测试数据集和一类协同过滤问题与几种现有方法进行了数值比较，验证了该方法的有效性。 引用于三文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 05C90年 图论的应用 90C20个 二次规划 90立方厘米 分数编程 关键词：半监督学习;图表;差异;分数次二次规划;协同过滤 引文：Zbl 1115.65065号 软件：塞杜米 PDF格式BibTeX公司 XML格式引用 \textit{X.Liu}等人，《信息科学》。277327-337（2014年；Zbl 1354.68224） 全文： 内政部 参考文献： [1] 贝克，A。；Ben-Tal，A。；Teboulle，M.，《寻找二次约束分数次二次型问题的全局最优解及其正则化总最小二乘法的应用》，SIAM J.矩阵分析。申请。，28, 425-445 (2007) ·Zbl 1115.65065号 [2] 贝尔金，M。；Niyogi，P.等人。；Sindhwani，V.，《流形正则化：从标记和未标记示例学习的几何框架》，J.Mach。学习。第7号决议，2399-2434（2006）·Zbl 1222.68144号 [4] 陈，H。；罗，L.Q。；Peng，J.T.，多图正则化半监督分类的误差界，Inform。科学。，179, 1960-1969 (2009) ·Zbl 1192.68509号 [7] Melman，A.，长期方程二阶方法的统一收敛性分析，数学。计算。，66, 333-344 (1997) ·Zbl 0854.65032号 [9] Sturm，J.，使用SeDuMi 1.02，一个用于对称锥优化的matlab工具箱，Optimiz。方法软件。，11 & 12, 625-653 (1999) ·Zbl 0973.90526号 [11] Wang，F。；Zhang，C.，基于广义点电荷模型的半监督学习，IEEE Trans。神经网络。（TNN），第19期，第1307-1311页（2008年） [12] Wang，F。；Zhang，C.，线性邻域中的标签传播，IEEE Trans。知识。数据工程（TKDE），20，55-67（2008） [14] 周，D。；O.布斯克。；Lal，T。；韦斯顿，J。；Scholkopf，B.，《本地和全球一致性学习》，高级神经信息。过程。系统。，169, 321-328 (2004) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。