结合改进高斯核的图半监督转导小样本学习

来源：计算机工程与应用杂志2023年第17期北京时间：

作者：潘雪玲, 李国和, 于秋月, 郭凯, 李铮

单位：1.中国石油大学（北京） 石油数据挖掘北京市重点实验室，北京 102249；2.中国石油大学（北京） 信息科学与工程学院，北京 102249

摘要：近年来，深度学习在机器学习领域取得巨大的研究进展，广泛应用于各个行业。但其需要大量地标注数据训练模型，资源成本耗费较大。因此，小样本学习逐渐成为机器学习的研究热点之一，并可结合半监督学习解决小样本学习标注数据少的问题。为了提高小样本学习模型准确率，针对半监督转导传播网络模型中高斯核在无限远处的衰减几乎为零的问题，提出适用于半监督转导网络模型的改进高斯核函数。通过加入位移参数和修正参数，使其在高维特征空间中能在测试点附近具有较快的衰减速度且在无限远处仍能保持适度的衰减，提高了小样本学习模型效果。在监督和半监督环境下进行实验对比，实验结果表明该算法在一定程度上提高模型精度，且具有实用价值。

关键词：小样本学习,元学习,改进高斯核,图半监督学习,标签传播