論文の概要: Semi-Supervised Laplacian Learning on Stiefel Manifolds
- arxiv url: http://arxiv.org/abs/2308.00142v1
- Date: Mon, 31 Jul 2023 20:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 16:19:30.363049
- Title: Semi-Supervised Laplacian Learning on Stiefel Manifolds
- Title(参考訳): スティーフェル多様体上の半スーパービジョンラプラシアン学習
- Authors: Chester Holtz, Pengwen Chen, Alexander Cloninger, Chung-Kuan Cheng,
Gal Mishne
- Abstract要約: 我々は、ララシアグラフの非プラサート一般化の枠組みを改革する。
低ラベルレートでの教師付きサンプルの臨界中心性に対処する。
私たちのコードは提出のためにオンフットコノニマス化されています。
- 参考スコア(独自算出の注目度): 67.29074577550405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by the need to address the degeneracy of canonical Laplace learning
algorithms in low label rates, we propose to reformulate graph-based
semi-supervised learning as a nonconvex generalization of a \emph{Trust-Region
Subproblem} (TRS). This reformulation is motivated by the well-posedness of
Laplacian eigenvectors in the limit of infinite unlabeled data. To solve this
problem, we first show that a first-order condition implies the solution of a
manifold alignment problem and that solutions to the classical \emph{Orthogonal
Procrustes} problem can be used to efficiently find good classifiers that are
amenable to further refinement. Next, we address the criticality of selecting
supervised samples at low-label rates. We characterize informative samples with
a novel measure of centrality derived from the principal eigenvectors of a
certain submatrix of the graph Laplacian. We demonstrate that our framework
achieves lower classification error compared to recent state-of-the-art and
classical semi-supervised learning methods at extremely low, medium, and high
label rates. Our code is available on github\footnote{anonymized for
submission}.
- Abstract(参考訳): 低ラベルレートでの標準ラプラス学習アルゴリズムのデジェネリティーに対処する必要性から,我々はグラフに基づく半教師付き学習を,非凸な一般化である \emph{Trust-Region Subproblem} (TRS) の一般化として再構成することを提案する。
この再構成は、無限ラベルデータの限界におけるラプラシアン固有ベクトルの適切性によって動機付けられる。
この問題を解決するために、一階条件は多様体アライメント問題の解を暗示し、古典的な \emph{Orthogonal Procrustes} 問題に対する解は、さらなる洗練に寄与する優れた分類器を効率的に見つけるために利用できることを示す。
次に,低いラベルレートで教師ありサンプルを選択することの臨界性について述べる。
グラフラプラシアンのある部分行列の主固有ベクトルから導かれる新しい中心性の尺度を用いて情報サンプルを特徴付ける。
本研究では,従来の半教師付き学習手法に比べて,極めて低い分類精度,中・高ラベル率で分類誤差を低減できることを実証する。
私たちのコードはgithub\footnote{anonymized for submit}で利用可能です。
関連論文リスト
- Graph Laplacian for Semi-Supervised Learning [8.477619837043214]
そこで本研究では,Semi-Supervised Learning (SSL)問題に適応した新しいグラフラプラシアンを提案する。
これは密度とコントラストの両測度に基づいており、演算子に直接ラベル付きデータの符号化を可能にする。
論文 参考訳(メタデータ) (2023-01-12T12:02:26Z) - Optimizing Diffusion Rate and Label Reliability in a Graph-Based
Semi-supervised Classifier [2.4366811507669124]
Local and Global Consistency (LGC)アルゴリズムは、グラフベースの半教師付き半教師付き(GSSL)分類器の1つである。
ラベル付きインスタンスの自己影響を取り除くことは、どのように有用か、そして、それがアウト・ワン・アウトエラーにどのように関係するかについて議論する。
本研究では,ラベルの信頼性と拡散率を推定する手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T16:58:52Z) - Model-Change Active Learning in Graph-Based Semi-Supervised Learning [7.208515071018781]
モデル変更」能動学習は、追加ラベルを導入して分類器に生じる結果の変化を定量化する
後方分布のラプラス近似を用いて, 取得関数を効率的に近似できる凸損失関数の族を考える。
論文 参考訳(メタデータ) (2021-10-14T21:47:10Z) - Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov
Random Fields [51.07460861448716]
本稿では,データから学ぶための凸解析フレームワークを提案する。
三角凸分解はその上部に対応する変換によって保証されることを示す。
論文 参考訳(メタデータ) (2021-09-17T17:46:12Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-07-08T08:48:56Z) - Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。
ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
論文 参考訳(メタデータ) (2020-06-19T01:55:00Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳(メタデータ) (2020-03-02T13:59:41Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-19T08:35:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。