一种基于非负低秩稀疏图的半监督学习改进算法
2017-10-14唐振民
电子与信息学报 2017年4期
张 涛 唐振民
一种基于非负低秩稀疏图的半监督学习改进算法
张 涛*唐振民
(南京理工大学计算机科学与工程学院 南京 210094)
该文针对基于非负低秩稀疏图的半监督学习算法不能准确地描述数据结构的问题,提出一种融合平滑低秩表示和加权稀疏约束的改进算法。该算法分别对经典算法的低秩项和稀疏项进行改进,准确地捕获了数据的全局子空间结构和局部线性结构。在构建目标函数时,使用对数行列式函数代替核范数平滑地估计秩函数,同时利用形状交互信息和有标签样本的类别信息构造加权稀疏约束正则项。然后通过带有自适应惩罚的线性交替方向方法求解目标函数并采用有效的后处理方法重构数据的图结构,最后利用基于局部和全局一致性的半监督分类框架完成学习任务。在ORL库,Extended Yale B库和USPS库上的实验结果表明,该改进算法提高了半监督学习的准确率。
半监督学习;图模型;低秩表示;稀疏约束
1 引言
目前,半监督学习方法是机器学习和模式识别领域的研究热点。半监督学习利用少量的有标签样本和丰富的无标签样本一起进行训练学习,同时解决了监督学习的模型泛化能力不强和无监督学习的模型不精确等问题[1]。在当前方法中,基于图的半监督学习可以有效地捕获隐藏在数据中的结构信息并在实际应用中获得了更好的效果,是半监督学习算法的重点研究方向[2]。
基于图的半监督学习将有标签样本和无标签样本作为图的节点,将描述样本间相似性的权重矩阵作为图的边,通过标签传播算法将标签样本的类别信息传播到无标签的样本。……
登录APP查看全文
