基于圖的半監(jiān)督學習的改進研究.pdf

1、隨著計算機技術(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,相對的卻是對大規(guī)模信息的處理能力無法滿足人類日常工作、學習的需要。對于大量數(shù)據(jù)進行學習的方法,多半還停留在傳統(tǒng)的機器學習方法。傳統(tǒng)的監(jiān)督學習因為需要大量的人為干預來保證學習的質(zhì)量,其繁瑣程度與學習速度自然就成為了軟肋;非監(jiān)督學習雖然不需要人為干預,能提高學習的速度,但又因缺乏可信的監(jiān)督信息而無法保證學習的質(zhì)量。半監(jiān)督學習作為一種新的學習方法,因其不僅可

2、利用少數(shù)已標記數(shù)據(jù),更可以使大多數(shù)的未標記數(shù)據(jù)參與到學習的過程中來的這一重要特點,已成為機器學習中新的研究熱點。
　　隨著機器學習研究的深入,基于圖的半監(jiān)督學習算法,在復雜性和計算速度,以及精確度上,都有了長足的進步。在目前兩類分類已成簡單應用,多標簽分類任務日益復雜的階段中,基于圖的半監(jiān)督學習算法因其卓越的性能必將受到更多的關(guān)注。本文針對多標簽分類問題,以基于圖的半監(jiān)督學習為主要研究內(nèi)容,重點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)針對適用于多標簽分類的ML-GRF算法,通過采用Spearman相關(guān)系數(shù)矩陣來構(gòu)造標簽相關(guān)性模塊,提出一種改進的算法,以減少臨時分類標記的不確定性。實驗結(jié)果表明,該算法對臨時分類標記有良好的穩(wěn)定性,能提高分類的精度。
　　2)針對基于圖的半監(jiān)督學習中,所構(gòu)造的圖在分類任務中的重要性,對其結(jié)構(gòu)進行了優(yōu)化研究。將圖的權(quán)值矩陣逐塊的進行分析與調(diào)整,以得到更好的分類結(jié)果,減少未標記數(shù)據(jù)在半監(jiān)督學習的過程