グラフベース半教師つき分類器における拡散速度とラベル信頼性の最適化【JST・京大機械翻訳】

Afonso Bruno Klaus de Aquino; Berton Lilian

プレプリント

J-GLOBAL ID：202202209240042119 整理番号：22P0025693

グラフベース半教師つき分類器における拡散速度とラベル信頼性の最適化【JST・京大機械翻訳】

Optimizing Diffusion Rate and Label Reliability in a Graph-Based Semi-supervised Classifier

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月10日プレプリントサーバーでの情報更新日： 2022年01月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

半教師つき学習は,教師つき手法よりも少ないラベルで競合分類結果を達成するために,ラベルなしデータの構造を利用することができるので,研究者から注目されている。局所およびグローバル一貫性(LGC)アルゴリズムは,最もよく知られたグラフベースの半教師つき(GSSL)分類器の1つである。特に,その解は既知のラベルの線形結合として記述できる。この線形結合の係数はパラメータαに依存し,ランダムウォークにおいてラベル付き頂点に到達するときの時間に対する報酬の減衰を決定する。本研究では,ラベル付きインスタンスの自己影響の除去がいかに有益であるか,そして,それが,どのように,1つのアウトエラーに関連するかを議論した。さらに,自動識別によるこのleave-one-out損失を最小化することを提案する。このフレームワークの中で,ラベル信頼性と拡散速度を推定する方法を提案した。拡散速度の最適化はスペクトル表現によりより効率的に達成される。結果は,ラベル信頼性アプローチがロバストL1ノルム方式と競合し,対角入力を除去すると,過剰適合のリスクを低減し,パラメータ選択の適切な基準に導くことを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る