基于圖的半監(jiān)督學習的改進研究.pdf

1、隨著計算機技術的飛速發(fā)展,人類收集數據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。對于大量數據進行學習的方法,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、利用少數已標記數據,更可以使大多數的未標記數據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容,重點研究了提高其分類效果的關鍵技術,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相關系數矩陣來構造標簽相關性模塊,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,所構造的圖在分類任務中的重要性,對其結構進行了優(yōu)化研究。將圖的權值矩陣逐塊的進行分析與調整,以得到更好的分類結果,減少未標記數據在半監(jiān)督學習的過程