導讀： PRICAI 2016是環太平洋國際人工智能會議 ，每兩年舉行一次，大會專注于人工智能的理論，技術及其在社會領域的應用，和其對于太平洋沿岸國家經濟的重要性。

改善基于圖表半監督學習的實例選擇方法（Instance Selection Method for Improving Graph-Based Semi-supervised Learning）

摘要： 基于圖表半監督學習（GSSL）是最重要的半監督學習（SSL）范式之一。盡管GSSL方法在很多情況下都有用，但在使用無標記數據時它可能會降低性能。本文中，我們提出了一種新的GSSL方法：基于實例選擇的GSSLIS以降低性能惡化的可能性。我們的基礎想法是給出一系列未標記的實例，利用所有未標記的實例并非是最好的方法；相反，我們應該利用那些有很高概率有助于改善性能的未標記實例，同時避免使用有高風險的未標記實例。大量的數據實驗表明，我們提出的方法性能惡化的機會比大多數最優GSSL方法小得多。

關鍵詞： 基于圖表的半監督學習 · 性能惡化 · 實例選擇

第一作者簡介

王海（Hai Wang）

職位：南京大學計算機科學與技術系理科碩士/LAMDA Group

研究方向：數據挖掘，機器學習

導師：李宇峰

職位:南京大學計算機科學與技術系博士助理研究員/LAMDA Group

研究方向：機器學習，數據挖掘，半監督學習，多實例學習，多標記學習等

相關出版物：

·Graph Quality Judgement: A Large Margin Expedition（IJCAI，2016）

·Kenerlized matrix factorization for collaborative filtering（SDM，2016）

Via：PRICAI 2016

?PS : 本文由雷鋒網 (搜索“雷鋒網”公眾號關注) 獨家編譯，未經許可拒絕轉載！

論文原文下載