×
王建忠

使用基于多重一维嵌入的自适应插值的半监督学习。 （英语） Zbl 1333.68236号

国际小波多分辨率。信息处理。 14，第2号，文章ID 1640002，11 p.（2016）.
摘要：我们提出了一种新的半监督学习（SSL）方案，该方案使用多个一维（1D）嵌入数据的自适应插值。对于给定的高维数据集，我们将其平滑地映射到几个不同的1D序列上，以便将每个序列的标记子集转换为1D子集。应用标记子集的三次插值，我们获得了未标记点的子集，这些未标记点在所有插值中都被分配给相同的标签。随机选择这些点的一部分，并将它们添加到当前的标记子集中，我们为下一次插值构建一个更大的标记子集。重复嵌入和插值，我们逐渐放大标记子集，最终得到一个大小合理的标记集，并在此基础上构造最终分类器。我们探索了该方案在手写数字分类中的应用，并显示了良好的结果。

引用于4评论
引用于8文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别

关键词：

多重一维嵌入;1D多嵌入;插值;半监督学习

软件：

SGT灯
PDF格式BibTeX公司 XML格式引用
\textit{J.Wang}，国际J.Wavelets多分辨率。信息处理。14，第2号，文章ID 1640002，11 p.（2016；Zbl 1333.68236）
全文： 内政部

参考文献：

[1] 1.M.Belkin和P.Niyogi，用于降维和数据表示的拉普拉斯特征映射，神经计算，15（6）（2003）1373-1396。genRefLink（16，‘S021969131600026BIB001’，‘10.1162
[2] 2.M.Belkin和P.Niyogi，使用流形结构进行部分标记分类，高级神经信息。过程。系统15（2003）929-936。
[3] 3.J.Bondy和U.Murty，《图论》（Springer，2008）。genRefLink（16，'S0219691316400026BIB003'，'10.1007
[4] 4.O.Chapelle，A.Zien，B.Schölkopf（编辑），半监督学习（麻省理工学院出版社，2006年）。genRefLink（16，'S0219691316400026BIB004'，'10.7551
[5] 5.C.K.Chui和J.Wang，用于非线性降维的随机各向异性变换，国际地质数学杂志，1（1）（2010）23-50。genRefLink（16，‘S0219691316400026BIB005’，‘10.1007
[6] 6.R.R.Coifman和D.L.Donoho，《小波与统计学中的平移-方差去噪》，《统计学讲义》，第103卷（Springer-Verlag，1995年），第125-150页。genRefLink（16，'S0219691316400026BIB006'，'10.1007·Zbl 0866.94008号
[7] 7.R.R.Coifman和M.Gavish，数字数据库的谐波分析，应用。数量。哈蒙。分析。(2011) 161-197. ·Zbl 1250.68096号
[8] 8.R.R.Coifman和S.Lafon，扩散图，应用。计算。哈蒙。分析21（2006）5-30。genRefLink（16，'S0219691316400026BIB008'，'10.1016·Zbl 1095.68094号
[9] 9.T.H.Cormen，《算法导论》（麻省理工学院出版社，2001年）·Zbl 1047.68161号
[10] 10.T.F.Cox和M.A.A.Cox，多维尺度（Chapman&Hall，1994）。
[11] 11.D.L.Donoho和C.Grimes，Hessian特征映射：高维数据的新局部线性嵌入技术，Proc。国家。阿卡德。科学。USA100（2003）5591-5596。genRefLink（16，'S0219691316400026BIB011'，'10.1073
[12] 12.M.Gavish、B.Nadler和R.R.Coifman，树、图和高维数据上的多尺度小波：半监督学习的理论和应用，收录于Proc。第27届国际机器学习大会（以色列海法，2010），第367-374页。
[13] 13.T.Joachims，《通过谱图分割进行的传导性学习》，收录于Proc。ICML-03，第20届机器学习国际会议（2003），第290-297页。
[14] 14.I.T.Jolliffe，主成分分析，统计学中的Springer系列（Springer-Verlag，1986）。genRefLink（16，'S0219691316400026BIB014'，'10.1007·Zbl 1011.62064号
[15] 15.C.Kemp、T.Griffiths、S.Stromsten和J.Tenenbaum，《树木的半监督学习》，Adv.Neural Inform。过程。系统16（2003）。
[16] 16.I.Ram、M.Elad和I.Cohen，广义基于树的小波变换，IEEE Trans。《信号处理》59（9）（2011）4199-4209。genRefLink（16，'S0219691316400026BIB016'，'10.1109·Zbl 1392.94419号
[17] 17.I.Ram、M.Elad和I.Cohen，图和高维数据云上的冗余小波，IEEE Trans。信号处理。Lett.59（5）（2012）291-294。genRefLink（16，'S0219691316400026BIB017'，'10.1109
[18] 18.I.Ram、M.Elad和I.Cohen，使用补丁的平滑排序进行图像处理，IEEE Trans。图像处理。22（7）（2013）2764-2774。genRefLink（16，'S0219691316400026BIB018'，'10.1109
[19] 19.S.T.Roweis和L.K.Saul，通过局部线性嵌入降低非线性维数，科学290（5500）（2000）2323-2326。genRefLink（16，'S0219691316400026BIB019'，'10.1126
[20] 20.G.Shakhnarovich、T.Darrell和P.Indyk，《学习与视觉中的近邻方法，理论与实践》（麻省理工学院出版社，2006年）。
[21] 21.J.B.Tenenbaum、V.de Silva和J.C.Langford，非线性降维的全局几何框架，科学290（5500）（2000）2319-2323。genRefLink（16，'S0219691316400026BIB021'，'10.1126
[22] 22.J.Wang，《高维数据的几何结构与降维》（Springer，与《高等教育快报》联合出版，2011年）。genRefLink（16，'S0219691316400026BIB022'，'10.1007
[23] 23.K.Q.Weinberger、B.D.Packer和L.K.Saul，通过半定规划和核矩阵分解进行非线性降维。第十届国际人工智能与统计研讨会（AISTATS，2005），第381-388页。
[24] 24.Z.Y.Zhang和H.Y.Zha，通过切线空间对齐的主流形和非线性降维，SIAM J.Sci。计算26（1）（2004）313-338。genRefLink（16，'S0219691316400026BIB024'，'10.1137
[25] 25.X.Zhu，半监督学习文献调查，计算机科学TR-1530。威斯康星大学麦迪逊分校（2008）。
[26] 26.X.Zhu、Z.Ghahramani和J.Lafferty，使用高斯场和调和函数的半监督学习，《机器学习国际会议》（AAAI出版社，2003年），第912-919页。
[27] 27.X.Zhu、J.Kandola、Z.Ghahramani和J.Lafferty，用于半监督学习的图核的非参数变换，《神经信息处理系统（nips）的进展》，编辑L.K.Saul、Y.Weiss和L.Bottou，第19卷（麻省理工出版社，2005年）。
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。