導(dǎo)讀：ECAI 2016是歐洲展示AI科學(xué)成果的最佳場(chǎng)所，大會(huì)為研究人員提供了很好的機(jī)會(huì)，去介紹和聽(tīng)取當(dāng)代最優(yōu)秀的人工智能研究成果。

半監(jiān)督組稀疏表示：模型、算法與應(yīng)用（Semi-Supervised Group Sparse Representation:Model, Algorithm and Applications）

 

摘要：組稀疏表示（GSR）利用了數(shù)據(jù)中的組結(jié)構(gòu)，并在許多問(wèn)題上效果很好。 然而，該組結(jié)構(gòu)必須事先手動(dòng)給出。在許多實(shí)際情況下，如分類，樣本都是根據(jù)他們的標(biāo)簽進(jìn)行分組的。在這種情況下，構(gòu)建一個(gè)一致的組結(jié)構(gòu)確實(shí)不容易。其原因有：1）樣本可能被錯(cuò)誤地標(biāo)記；2）標(biāo)簽分配到大數(shù)據(jù)中非常費(fèi)時(shí)且成本高。在本文中，我們提出并制定了一個(gè)新的問(wèn)題，用半監(jiān)督組稀疏表示（SS-GSR）支持標(biāo)記和未標(biāo)記數(shù)據(jù)中的組稀疏表示。同時(shí)學(xué)習(xí)一個(gè)更強(qiáng)大的組結(jié)構(gòu)，它可以被進(jìn)一步利用以更有效地代表其他未標(biāo)記的數(shù)據(jù)。我們開(kāi)發(fā)了一個(gè)模型來(lái)解決SS—GSR問(wèn)題，它基于子空間分割中的流形假設(shè)，即同一組中樣本特征空間緊密聯(lián)系在一起且跨越相同的子空間。我們還提出了一個(gè)交替算法來(lái)解決模型。最后，我們通過(guò)大量的實(shí)驗(yàn)驗(yàn)證了該模型。

第一作者簡(jiǎn)介

Longwen Gao

任職：上海市智能信息處理重點(diǎn)實(shí)驗(yàn)室，復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)院博士

研究方向：數(shù)據(jù)挖掘，人工神經(jīng)網(wǎng)絡(luò)，人工智能

相關(guān)學(xué)術(shù)論文：

·“Effectively classifying short texts by structured sparse representation with dictionary filtering”

文章總結(jié)及應(yīng)用場(chǎng)景

本文中，我們提出并制定了半監(jiān)督GSR（SS-GSR）對(duì)含標(biāo)記和未標(biāo)記的數(shù)據(jù)集進(jìn)行組稀疏表示。它可以克服傳統(tǒng)GSR的兩大缺陷：1）在GSR中預(yù)定義組結(jié)構(gòu)可能與數(shù)據(jù)中不完全一致；2）GSR中未利用未標(biāo)記數(shù)據(jù)的潛在組結(jié)構(gòu)。相比于GSR，SS-GSR可以利用標(biāo)記數(shù)據(jù)的先驗(yàn)組結(jié)構(gòu)和未標(biāo)記數(shù)據(jù)的組結(jié)構(gòu)信息。相比于SSL方法，SS-GSR可以從數(shù)據(jù)中自動(dòng)的學(xué)習(xí)結(jié)構(gòu)化親和矩陣，而不是使用一個(gè)固定的。

我們將SS-GSR應(yīng)用于監(jiān)督和半監(jiān)督分類任務(wù)，驗(yàn)證了SS-GS的有效性和優(yōu)越性。

via：ECAI  2016

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

原論文下載

 

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