×
张，赵;贾磊;赵明波;叶巧琳;张敏;王蒙

用于归纳分类的自适应非负投影半监督学习。 （英语） Zbl 1434.68486号

神经网络。 108, 128-145 (2018).
摘要：我们通过提出一个称为自适应非负投影半监督学习（ANP-SSL）。具体来说，ANP-SSL明确地集成了自适应归纳标签传播、自适应重构权重学习和邻域保持投影非负矩阵分解（PNMF）。为了使标签预测结果更加准确，ANP-SSL将半监督数据表示和分类错误合并到常规PNMF中以最小化，这使我们的ANP-SSL能够在空间局部和基于部分的数据表示上执行自适应权重学习和标签传播，这与大多数现有的工作不同，这些工作通常基于原始数据分配权重和预测标签，而原始数据通常会有噪声和损坏。此外，现有方法通常在标签估计过程之前预先分配权重，但这种操作无法确保通过独立步骤学习的权重对于后续分类是最优的。组合表示误差还可以使学习到的基于部分的邻域保持PNMF表示简化，这可能会增强预测结果。通过在保持邻域的非负表示上联合最小化分类误差，可以使基于嵌入的分类有效。与其他最先进的方法相比，在几个公共图像数据库上的广泛结果验证了我们的ANP-SSL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
15A23型 矩阵的因式分解
62H30型 分类和区分；聚类分析（统计方面）

关键词：

自适应投影半监督学习;感应标记传播;非负矩阵分解;表示;分类
PDF格式BibTeX公司 XML格式引用
\textit{Z.Zhang}等人，神经网络。108、128——145（2018年；Zbl 1434.68486）
全文： 内政部

参考文献：

[1] 贝尔金，M。；Niyogi，P。；Sindhwani，V.，《关于流形正则化》（AISTATS会议记录（2005））
[2] 贝尔金，M。；Niyogi，P。；Sindhwani，V.，《流形正则化：从标记和未标记示例学习的几何框架》，机器学习研究杂志（JMLR），7，1，2399-2434（2006）·Zbl 1222.68144号
[3] Blum，A。；Mitchell，T.，将标记和未标记数据与联合训练相结合，（Ann.Conf.计算学习的进展，理论（1998））
[4] 蔡，D。；何，X。；Han，J.，用于数据表示的图形正则化非负矩阵分解，IEEE模式分析与机器智能学报，33，8，1548-1560（2010）
[5] 蔡，D。；何，X。；韩，J。；Huang，T.，用于数据表示的图形正则化非负矩阵分解，IEEE模式分析和机器智能学报，33，8，1548-1560（2011）
[6] Chang，X。；聂福平。；Yang，Y。；Huang，H.，通过嵌入标签传播进行精细光谱聚类，神经计算，29，12，3381-3396（2017）·Zbl 1456.68140号
[7] 沙佩尔，O。；肖尔科夫，B。；Zien，A.，《半监督学习》（2006），麻省理工学院出版社：麻省理学院出版社剑桥
[8] 陈，J。；Ye，J。；Li，Q.，整合全局和局部结构：降维的最小二乘框架，（计算机视觉和模式识别国际会议论文集（2007）），1-8
[9] 方，X。；Xu，Y。；李，X。；赖，Z。；Wong，W.，基于非负低秩表示的鲁棒半监督子空间聚类，IEEE控制论汇刊，46，8，1828-1838（2016）
[10] 何，X。；Yan，S。；胡，Y。；Niyogi，P。；Zhang，H.，使用拉普拉斯人脸进行人脸识别，IEEE模式分析和机器智能汇刊，27，3，328-340（2005）
[11] Jia，L.，Zhang，Z.，&Jiang，W.M.（2016）。通过鲁棒线性邻域传播进行传导性分类。在环太平洋多媒体会议记录; Jia，L.，Zhang，Z.，&Jiang，W.M.（2016）。通过鲁棒线性邻域传播进行传导性分类。在环太平洋多媒体会议记录
[12] Jia，L.，Zhang，Z.，&Zhang and Y.（2016）。基于核范数的传导性标记传播的半监督分类。在第23届神经信息处理国际会议记录; Jia，L.，Zhang，Z.，&Zhang and Y.（2016）。基于核范数的转导标记传播的半监督分类。在第23届神经信息处理国际会议记录
[13] 焦立中。；尚·F·H。；Wang，F。；Liu，Y.Y.，带增强谱嵌入的快速半监督聚类，模式识别，45，12，4358-4369（2012）·Zbl 1248.68407号
[14] Jolliffe，I.，主成分分析（2002），威利在线图书馆·Zbl 1011.62064号
[15] Kokiopoulou，E。；陈，J。；Saad，Y.，《降维方法中的迹优化和特征问题》，《数值线性代数及其应用》，18，3，565-602（2011）·Zbl 1249.65075号
[16] Lee，D.D.，非负矩阵分解算法，神经信息处理系统进展，13，6，556-562（2001）
[17] Lee，H。；Yoo，J。；Choi，S.，半监督非负矩阵因式分解，IEEE Signal Processing Letters，17，1，4-7（2010）
[18] Leibe，B。；Schiele，B.，《分析基于外观和轮廓的对象分类方法》，（IEEE计算机视觉和模式识别会议论文集（2003），409-415
[19] 李，Z。；刘杰。；Tang，J.，用于数据表示的稳健结构化子空间学习，IEEE模式分析和机器智能汇刊，37，10，2085-2098（2015）
[20] Loog，M。；Jensen，A.，通过约束对数似然的半监督最近均值分类，IEEE神经网络和学习系统汇刊，26，5，995-1006（2015）
[21] Martinez，A.和Benavente，R.（1998年）。AR人脸数据库，CVC技术报告。；Martinez，A.和Benavente，R.（1998年）。AR人脸数据库，CVC技术报告。
[22] Nene，S.A.、Nayar，S.K.和Murase，H.（1996年）。哥伦比亚物体图像库（COIL-20）。技术报告CUCS-005-96，哥伦比亚大学，纽约州纽约市。；Nene，S.A.、Nayar，S.K.和Murase，H.（1996年）。哥伦比亚物体图像库（COIL-20）。技术报告CUCS-005-96，哥伦比亚大学，纽约州纽约市。
[23] Nie，F.、Li，J.和Li，X.（2016）。无参数自动加权多图学习：多视图聚类和半监督分类的框架。在第25届国际人工智能联合会议; Nie，F.、Li，J.和Li，X.（2016）。无参数自动加权多图学习：多视图聚类和半监督分类的框架。在第25届国际人工智能联合会议
[24] 聂，F。；项，S。；Liu，Y.，《基于图形的一般半监督学习与新型课堂发现》，神经计算与应用，19，4，549-555（2010）
[25] 聂福平。；徐，D。；李，X.L。；Xiang，S.M.，通过虚拟标签回归进行半监督降维和分类，IEEE系统、人与控制论汇刊B部分：控制论，41，3，675-685（2011）
[26] 聂，F。；徐，D。；Tsang，W.H.，《柔性流形嵌入：半监督和非监督降维框架》，IEEE图像处理汇刊，1921-1932（2010）·Zbl 1371.94276号
[27] 信德瓦尼，V。；Niyogi，P.等人。；Belkin，M.，《超越点云：从传导性学习到半监督性学习》（ICML会议记录（2005）），824-831
[28] Sindhwani，V.、Niyogi，P.、Belkin，M.和Keerthi，S.（2005）。大规模半监督学习的线性流形正则化。在程序。第22届ICML学习研讨会的部分分类培训数据; Sindhwani，V.、Niyogi，P.、Belkin，M.和Keerthi，S.（2005年）。大规模半监督学习的线性流形正则化。在程序。第22届ICML学习研讨会的部分分类培训数据
[29] 加州大学欧文分校UCI机器学习库，2007年。网址：http://archive.ics.uci.edu/ml/datasets.html; 加州大学欧文分校UCI机器学习库，2007年。网址：http://archive.ics.uci.edu/ml/datasets.html
[30] Wang，J.，局部线性嵌入，Springer Berlin Heidelberg，8215，2，203-220（2012）
[31] 王，M。；傅伟（Fu，W.）。；郝S。；刘，H。；Wu，X.，《大图学习：带锚层次的标签推理和正则化》，IEEE知识与数据工程汇刊，29，5，1101-1114（2017）
[32] 王，M。；傅伟（Fu，W.）。；郝S。；陶，D。；Wu，X.，通过有效锚定图正则化实现可伸缩半监督学习，IEEE知识与数据工程汇刊，28，7，1864-1877（2016）
[33] 王，M。；刘，X。；Wu，X.，通过l1-超图建模进行视觉分类，IEEE知识与数据工程汇刊，27，9，2564-2574（2015）
[34] Wang，F。；Zhang，C.S.，线性邻域中的标签传播，IEEE知识与数据工程汇刊，20,1985-992（2006）
[35] Xiang，S.M。；聂，F。；Zhang，C.，通过局部样条回归进行半监督分类，IEEE模式分析和机器智能汇刊，32，11，2039-253（2010）
[36] 徐，D。；Yan，S。；Lin，S。；Huang，T.S。；Chang，S.F.，通过元素重排增强双线性子空间学习，IEEE模式分析和机器智能汇刊，31,101913-1920（2009）
[37] 杨振荣。；Oja，Erkki，线性和非线性投影非负矩阵分解，IEEE神经网络汇刊，21，5，734-749（2010）
[38] 杨，Z。；Oja，E.，二次非负矩阵分解，模式识别，45，4，1500-1510（2012）·Zbl 1231.65076号
[39] Yang，N。；Sang，Y。；He，R。；Wang，X.，基于非负稀疏表示的标签传播算法，计算机科学讲义，348-357（2010）
[40] 杨，Z。；张，H。；Oja，E.，大型数据集的在线投影非负矩阵分解（神经信息处理国际会议论文集（2012）），285-290
[41] Ye，Q。；杨，J。；尹，T.M。；Zhang，Z.，用传统LP方法获得的虚拟标签能在WLR中很好地编码吗？，IEEE神经网络和学习系统汇刊，27，7，1591-1598（2016）
[42] 张，Z。；周，T.W.S。；Zhao，M.，M-等值线图：用于非线性降维的正交约束边际等值线图，IEEE控制论汇刊，43，1，180-192（2013）
[43] 张，Z。；Chow，T。；赵，M.，基于跟踪比优化的边缘流形可视化半监督非线性降维，IEEE知识与数据工程汇刊，25，5，1148-1161（2013）
[44] 张，X。；关，N。；贾，Z。；邱，X。；Luo，Z.，癌症分类的半监督投影非负矩阵分解，PLoS One，10，9（2015）
[45] 张，Z。；贾，L。；赵，M。；刘，G。；王，M。；Yan，S.，通过映射实现半监督分类的核诱导标签传播，IEEE大数据汇刊（2018）
[46] 张，Z。；蒋伟（Jiang，W.）。；李凤，通过标签嵌入进行投影标签传播，（计算机图像和模式分析国际会议论文集，第9257卷（2015）），470-481
[47] 张，C。；王，S。；Li，D.，基于先验类相异性的线性邻域传播，基于知识的系统，83，58-65（2015）
[48] Zhang，H.、Zhang、Z.、Li，S.、Ye，Q.、Zhao，M.和Wang，M.（2018）。通过双重矩阵分解实现鲁棒自适应标签传播。在第24届模式识别国际会议记录; Zhang，H.、Zhang、Z.、Li，S.、Ye，Q.、Zhao，M.和Wang，M.（2018）。通过双矩阵分解实现鲁棒自适应标签传播。在第24届模式识别国际会议记录
[49] 张，Z.，张，L.，赵，M.B.，江，W.M.，梁，Y.C.，和李，F.Z.（2015）。基于非负稀疏邻域传播的半监督图像分类。在ACM多媒体检索国际会议论文集，第4卷; 张，Z.，张，L.，赵，M.B.，江，W.M.，梁，Y.C.，和李，F.Z.（2015）。基于非负稀疏邻域传播的半监督图像分类。在ACM多媒体检索国际会议论文集，第4卷
[50] 张，Z。；赵，M。；Chow，T.，带信息约束的边缘半监督子流形投影，用于降维和识别，神经网络，36，97-111（2012）·Zbl 1258.68132号
[51] 张，Z。；赵，M。；Chow，T.，通过自适应邻域上的标签传播实现基于图的约束半监督学习框架，IEEE知识与数据工程学报，27，9，2362-2376（2015）
[52] 赵，M。；周，T.W.S。；张，Z。；Li，B.，通过基于紧凑图的半监督学习实现自动图像注释，基于知识的系统，76，148-165（2015）
[53] 周，D。；O.布斯克。；Lal，T.N。；韦斯顿，J。；Scholkopf，B.，《局部和全局一致性学习》，《神经信息处理系统进展》，16，4，321-328（2004）
[54] 朱旭（2005）。《半监督学习文献调查》，《1530年技术报告》，威斯康星大学麦迪逊分校。；Zhu，X.（2005）。半监督学习文献调查，《1530年技术报告》，威斯康星大学麦迪逊分校。
[55] 朱，X。；加赫拉马尼，Z。；Lafferty，J.，使用高斯场和调和函数的半监督学习，（机器学习国际会议论文集，第2卷（2003）），912-919
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。