基于多图的交替优化图直推方法

来源：计算机应用杂志2015年第6期北京时间：

作者：修宇, 王骏, 王忠群, 刘三民

单位：1. 安徽工程大学 计算机与信息学院, 安徽 芜湖 241000;2. IBM T J Watson 研究中心, 纽约州 约克城高地 10598

摘要：针对基于单图的半监督学习(GSSL)算法的性能受单个图质量的影响,且在单视图数据下,大多数基于多图的GSSL算法难以使用的问题,提出了一种基于多图的交替优化图直推方法(MG-GTAM)。首先,使用不同的图构建参数来构建单视图数据下的多个图,利用多个图来表达数据间关系;然后,借助交替迭代方式综合多个图的信息,选择置信度高的未标记样本进行伪标记并通过权重权衡各图的重要程度,以优化多图上的预测函数的一致性和平滑性;最后通过组合每个图的预测函数完成对所有未标记样本的标记。仿真实验表明,与经典的局部和全局一致(LGC)、高斯随机场和调和函数(GFHF)、交替优化直推(GTAM)、组合图拉普拉斯(CGL)算法相比,在COIL20目标物体数据集和NEC Animal数据集上,MG-GTAM的分类错误率比这些经典算法均有下降,表明了该方法具有良好的性能。实验结果表明, MG-GTAM能有效地利用多个图来表达数据之间的关系,获得更低的分类错误率。

关键词：图半监督学习,图直推,图构建,多图,交替优化

基金资助：国家自然科学基金资助项目(71371012,71171002);教育部人文社科规划项目(13YJA630098);安徽省优秀青年人才基金重点项目(2013SQRL034Z);安徽省高校省级科学研究项目(TSKJ2014B10);安徽工程大学计算机应用技术重点实验室开放基金资助项目(JSJKF201510)。