• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Discovery science >A Modeling Approach Using Multiple Graphs for Semi-Supervised Learning
【24h】

A Modeling Approach Using Multiple Graphs for Semi-Supervised Learning

机译：半监督学习中使用多个图的建模方法

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Most graph-based semi-supervised learning methods model the structure of a dataset as a single k-NN graph. Although graph construction is an important task, many existing graph-based methods build a graph from a dataset directly and naively. While the resulting k-NN graph provides relatively a good representation of the dataset,it generally produces inappropriate shortcuts on cluster boundaries. In this paper, we propose a novel approach for modeling and combining multiple graphs with different edge weights to avoid such undesirable behavior. Using the combination of those graphs, we can systematically reduce the effect of noise in conceptually similar fashion to an ensemble approach. Experimental results demonstrate that our approach improves classification accuracy on both benchmark and artificial datasets.
机译：大多数基于图的半监督学习方法将数据集的结构建模为单个k-NN图。尽管图的构建是一项重要的任务，但是许多现有的基于图的方法都直接且幼稚地从数据集中构建图。虽然生成的k-NN图相对较好地表示了数据集，但通常会在聚类边界上产生不合适的捷径。在本文中，我们提出了一种新颖的方法来建模和组合具有不同边缘权重的多个图，以避免这种不良行为。使用这些图的组合，我们可以以概念上类似于集合方法的方式系统地减少噪声的影响。实验结果表明，我们的方法提高了基准数据集和人工数据集的分类准确性。

著录项

  • 来源
    《Discovery science》|2008年|296-307|共12页
  • 会议地点 Budapest(HU);Budapest(HU)
  • 作者

    Akihiko Izutani; Kuniaki Uehara;

  • 作者单位

    Graduate School of Engineering, Kobe University, 1-1 Rokkodai, Nada, Kobe 657-8501, Japan;

    Graduate School of Engineering, Kobe University, 1-1 Rokkodai, Nada, Kobe 657-8501, Japan;

  • 会议组织
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 人工智能理论;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号