導讀：PRICAI 2016是環(huán)太平洋國際人工智能會議 ，每兩年舉行一次，大會專注于人工智能的理論，技術(shù)及其在社會領(lǐng)域的應(yīng)用，和其對于太平洋沿岸國家經(jīng)濟的重要性。

改善基于圖表半監(jiān)督學習的實例選擇方法（Instance Selection Method for Improving Graph-Based Semi-supervised Learning）

摘要：基于圖表半監(jiān)督學習（GSSL）是最重要的半監(jiān)督學習（SSL）范式之一。盡管GSSL方法在很多情況下都有用，但在使用無標記數(shù)據(jù)時它可能會降低性能。本文中，我們提出了一種新的GSSL方法：基于實例選擇的GSSLIS以降低性能惡化的可能性。我們的基礎(chǔ)想法是給出一系列未標記的實例，利用所有未標記的實例并非是最好的方法；相反，我們應(yīng)該利用那些有很高概率有助于改善性能的未標記實例，同時避免使用有高風險的未標記實例。大量的數(shù)據(jù)實驗表明，我們提出的方法性能惡化的機會比大多數(shù)最優(yōu)GSSL方法小得多。

關(guān)鍵詞：基于圖表的半監(jiān)督學習·性能惡化·實例選擇

第一作者簡介

王海（Hai Wang）

職位：南京大學計算機科學與技術(shù)系理科碩士/LAMDA Group

研究方向：數(shù)據(jù)挖掘，機器學習

導師：李宇峰

職位:南京大學計算機科學與技術(shù)系博士助理研究員/LAMDA Group

研究方向：機器學習，數(shù)據(jù)挖掘，半監(jiān)督學習，多實例學習，多標記學習等

相關(guān)出版物：

·Graph Quality Judgement: A Large Margin Expedition（IJCAI，2016）

·Kenerlized matrix factorization for collaborative filtering（SDM，2016）

Via：PRICAI 2016

 PS : 本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

論文原文下載

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。