基于样本选择的安全图半监督学习方法

点击上方蓝字

关注我们

导读

       在众多半监督学习方法中，图半监督学习是最重要的半监督学习范式之一。在有标记数据有限的情况下，图半监督学习方法通过利用未标记数据，辅助提升训练模型的预测性能。然而，在一些情况下，图半监督学习方法利用未标记数据以后可能导致模型预测性能的下降。为了缓解半监督学习技术实施过程中出现性能严重下降的情况，本文提出基于样本选择的安全图半监督学习方法。该方法的基本思想是给定大量未标记的样本，我们仅仅选择有助于提升模型预测性能的可靠未标记样本，而不使用不可靠的未标记样本。实验结果表明，该方法通过选择利用可靠的未标记样本，有效避免传统图半监督学习方法会导致性能恶化的现象。本论文还进一步将样本选择的方法扩展到归纳的图半监督学习方法中，并有效的对未见样本做出预测，从而避免了传统方法出现性能下降的风险。

文章精要

          请长按下方二维码识别，阅读该文。

相关文章推荐：

从上下文语境中学习： 基于相互增强模型的中文微博观点检索  2018 12(4)：714-724

决策树集成学习中的结构多样性 2018 12(3)：560-570

基于LDA模型的协同过滤  2018 12(3)：571-581

结合序列二次规划的回溯搜索算法 2018 12(2)：316-330

一种解决类不平衡问题的进化欠采样bagging集成分类算法 2018 12(2)：331-350

FCS 12(2) 人工智能专栏 | 关于差异进化算法中变异个体的选择

FCS 12(1) 文章 | 多峰问题全局优化的分布式学习粒子群优化算法

FCS 12(1) 文章 | 多层次的中文垃圾短信高效识别方法

FCS 11(6) 文章 | 从Instagram图片轨迹中挖掘兴趣圈模式进行旅行线路推荐

FCS 11(6) 文章 | 图像检索基于颜色空间量化的聚类

FCS 11(5) 文章 | 使用维纳过程过采样技术改善不平衡数据的学习

FCS 11(5) 文章 | 基于上下文语言模型的时序文本流突发热点特征挖掘

FCS 11(5) 文章 | 基于人工神经网络的矩形钢管混凝土柱轴向承载力研究

FCS 11(4) 文章 | 通用目标检测的局部结构化表示

FCS 11(4) 文章 | E-GrabCut: 一种经济的迭代视频目标提取方法

FCS 11(3) 文章 | 分层多智能体系统中的知识、信念、和肯定性推理

FCS 11(3) 文章 | 基于混合免疫方案的工作职位推荐系统

---

---

Frontiers of Computer Science

---

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社出版、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为李未院士，执行主编为熊璋教授和周志华教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”。

---

长按二维码关注Frontiers of Computer Science公众号