流形正则化

流形正则化:从有标记和无标记的例子中学习的几何框架。我们提出了一系列的学习算法,基于一种新的正则化形式,允许我们利用边际分布的几何学。我们关注的是一个半监督的框架,它将有标记和未标记的数据合并到一个通用学习者中。作为特殊情况,可以得到一些转化图学习算法和标准方法,包括支持向量机和正则化最小二乘法。利用再生核Hilbert空间的性质证明了新的表示中心定理,为算法提供了理论依据。结果(与纯粹的基于图的方法不同),我们获得了新示例的自然样本外扩展,因此能够处理传导和真正的半监督设置。我们提出的实验证据表明,我们的半监督算法能够有效地使用未标记的数据。最后,我们将在我们的总体框架内简要讨论无监督和完全监督的学习。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换


zbMATH中的参考文献(参考 1文章 参考)

显示结果1/1。
按年份排序(引用)

  1. Mark calp:spa:R中基于半监督半参数图的估计(2011)不是zbMATH