通过线性邻域的标签传播
在许多实际的数据挖掘应用程序中，例如文本分类，可以轻松获得未加标签的训练示例，但获得加标签的训练示例则相当昂贵。 因此，半监督学习算法引起了数据挖掘和机器学习领域的极大兴趣。 近年来，基于图的半监督学习已成为半监督学习社区中最活跃的研究领域之一。 本文提出了一种基于线性邻域模型的新颖的基于图的半监督学习方法，该方法假设每个数据点都可以从其邻域进行线性重构。 我们的算法称为线性邻域传播（LNP），可以使用这些线性邻域以足够的平滑度将标签从标记点传播到整个数据集。 本文对LNP的性质进行了理论分析。 此外，我们还导出了一种简单的方法来将LNP扩展到样本外数据。 对于合成数据，数字和文本分类任务，提出了有希望的实验结果。
文件下载
评论信息
其他资源
- 轴承振动信号的归一化处理
- 2019年全国电子设计大赛D题国家二等奖代码.rar
- 啁啾光纤光栅的反射谱和时延仿真
- 飞行器六自由度建模仿真
- MATLAB 经典程序源代码大全
- 点云的三维重建代码，内容丰富matlab版
- 基于Simulink的基带传输系统仿真
- 三星nvme driver3.3（exe&inf）.rar
- anroid获取应用程序包信息
- busybox-1.18.4
- 计算机网络-实验报告5tcpip socket 高级编程.pdf
- SAP GUI 760 patch 04
- IBM区块链解决方案
- 奔驰EPC MERCEDES-BENZ_EPC_NET_01.2013
- matlab开发-椭圆积分和函数
- 50个基础css页面布局样式
- 基于STC12C5A60S2的波形发生器
- hook微信收款监听
- VS2015运行库
- 大富翁游戏源码
- 继电器模块DXP工程
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明