薛子晗，潘 迪，何 丽

（天津财经大学理工学院，天津 300222）

0 概述

强监督的机器学习方法需要大量有标签数据的支持，但随着大数据时代应用领域数据量的日益膨胀，通常获得的是大量的无标签数据。因此，半监督学习成为模式识别和机器学习领域的一个新的研究热点。半监督学习介于监督学习与无监督学习之间，是通过少量标记样本对大量未标记样本进行标注的一种学习方法［1］。基于图的半监督学习是该研究领域极具代表性的一种方法，在样本标注正确率上具有明显优势。

自文献［2］提出图分割最小割算法以来，基于图的半监督学习方法得到了广泛应用。文献［3］针对处于类边界区域的标记样本往往会降低标签传播有效性的问题，提出亲和力标签传播算法。文献［4］提出将标签传播和图卷积网络相结合的框架，扩展了建模能力，实现了标注效率的提升。文献［5］在LGC的基础上提出一种基于稀疏分解的l0构图方法［6］，并将其结合到LGC算法中，提升了算法的分类精度和性能。文献［7］为LGC提供了一种新的归纳过程，诱导局部与全局一致性，提升了LGC算法的正确率。文献［8］在计算邻接矩阵时利用K-近邻图代替完全连接图，提升了时间效率，并在LGC开始迭代之前挑出噪声点，提高了LGC算法的准确率。文献［9］在计算邻接矩阵时利用K-近邻图代替完全连接图，在标签传递过程中，仅将未标记样本的标签根据相似度传递给其近邻，而将已标记样本的标签强制填回以确保标签传递源头的准确性。……