码迷,mamicode.com
首页 > 其他好文 > 详细

Graph-based Semi-Supervised Classification简单总结回顾

时间:2016-06-02 19:46:20      阅读:660      评论:0      收藏:0      [点我收藏+]

标签:

复习一下基本的基于图的半监督分类。主要给出LLGC,GFHF的构图及原理,以及LNP,RMGT的构图方式。

 

1. LLGC:Learning with Local and Global Consistency

首先构造一个相似度矩阵,采用的构图方式为全连接图(full connected graph):

技术分享

 

然后构造一个传播矩阵:

技术分享

其中,D为对角矩阵:

技术分享

然后基于这个传播矩阵S,进行标签传播:

技术分享

其中,技术分享平衡原有的标记信息和从邻近样本传来的信息。t代表的是迭代次数。当迭代终止,式子收敛时F(t+1)=F(t),则可得到:

技术分享

最后所预测的标记为:

技术分享2. GFHF:Semi-Supervised Learning Using Gaussian Fields and Harmonic Functions

首先构造一个相似度矩阵,采用的是kNN图:

技术分享

GFHF的目标是:

技术分享

其中,第一项的权重为无限大是为了使已标记的样本不变,第二项为smoothness constraint,使相近的两个样本具有更小的误差。

技术分享

其中,技术分享技术分享为拉普拉斯矩阵。

3. LNP:Linear Neighborhood Propagation and Its Applications

LNP的构图主要是利用了非负线性最小二乘去重构样本,具体公式如下:

技术分享

 

4. RMGT: Robust Multi-Class Transductive Learning with Graphs

首先采用的是普通的kNN图:

技术分享

然后得到最后的图为:

技术分享

Tips:如果得到的图是一个非对称的矩阵,我们只需要将(w+w‘)/2即可得到对称的矩阵。

Graph-based Semi-Supervised Classification简单总结回顾

标签:

原文地址:http://www.cnblogs.com/Rambler1995/p/5553910.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!