基于圖的半監(jiān)督學(xué)習(xí)的改進(jìn)研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,人類收集數(shù)據(jù)和信息變得越來越方便快捷,隨著信息量的日益增大,相對(duì)的卻是對(duì)大規(guī)模信息的處理能力無法滿足人類日常工作、學(xué)習(xí)的需要。對(duì)于大量數(shù)據(jù)進(jìn)行學(xué)習(xí)的方法,多半還停留在傳統(tǒng)的機(jī)器學(xué)習(xí)方法。傳統(tǒng)的監(jiān)督學(xué)習(xí)因?yàn)樾枰罅康娜藶楦深A(yù)來保證學(xué)習(xí)的質(zhì)量,其繁瑣程度與學(xué)習(xí)速度自然就成為了軟肋;非監(jiān)督學(xué)習(xí)雖然不需要人為干預(yù),能提高學(xué)習(xí)的速度,但又因缺乏可信的監(jiān)督信息而無法保證學(xué)習(xí)的質(zhì)量。半監(jiān)督學(xué)習(xí)作為一種新的學(xué)習(xí)方法,因其不僅可

2、利用少數(shù)已標(biāo)記數(shù)據(jù),更可以使大多數(shù)的未標(biāo)記數(shù)據(jù)參與到學(xué)習(xí)的過程中來的這一重要特點(diǎn),已成為機(jī)器學(xué)習(xí)中新的研究熱點(diǎn)。
　　隨著機(jī)器學(xué)習(xí)研究的深入,基于圖的半監(jiān)督學(xué)習(xí)算法,在復(fù)雜性和計(jì)算速度,以及精確度上,都有了長足的進(jìn)步。在目前兩類分類已成簡(jiǎn)單應(yīng)用,多標(biāo)簽分類任務(wù)日益復(fù)雜的階段中,基于圖的半監(jiān)督學(xué)習(xí)算法因其卓越的性能必將受到更多的關(guān)注。本文針對(duì)多標(biāo)簽分類問題,以基于圖的半監(jiān)督學(xué)習(xí)為主要研究?jī)?nèi)容,重點(diǎn)研究了提高其分類效果的關(guān)鍵技術(shù),并取

3、得以下主要研究成果:
　　1)針對(duì)適用于多標(biāo)簽分類的ML-GRF算法,通過采用Spearman相關(guān)系數(shù)矩陣來構(gòu)造標(biāo)簽相關(guān)性模塊,提出一種改進(jìn)的算法,以減少臨時(shí)分類標(biāo)記的不確定性。實(shí)驗(yàn)結(jié)果表明,該算法對(duì)臨時(shí)分類標(biāo)記有良好的穩(wěn)定性,能提高分類的精度。
　　2)針對(duì)基于圖的半監(jiān)督學(xué)習(xí)中,所構(gòu)造的圖在分類任務(wù)中的重要性,對(duì)其結(jié)構(gòu)進(jìn)行了優(yōu)化研究。將圖的權(quán)值矩陣逐塊的進(jìn)行分析與調(diào)整,以得到更好的分類結(jié)果,減少未標(biāo)記數(shù)據(jù)在半監(jiān)督學(xué)習(xí)的過程