基于高密度近鄰和確定性標記樣本選擇的標簽傳播算法
打開文本圖片集
摘 要：半監(jiān)督學習由于能夠充分利用未標記數(shù)據(jù)而廣受關注，其中圖半監(jiān)督學習方法具有表示直觀和概念清晰的優(yōu)點。然而，基于圖的半監(jiān)督學習方法大多需要迭代優(yōu)化，且由于初始標記點的選取變化，會導致預測準確性不穩(wěn)定。為了解決這一問題，提出了一種基于高密度近鄰和確定性標記（high density nearest neighbors and determinate labeling， HDN-DL）的半監(jiān)督分類方法，利用數(shù)據(jù)中的潛在結(jié)構(gòu)和信息，選擇影響力較高的節(jié)點作為標簽傳播的起點，通過密度峰值聚類算法（density peak clustering， DPC）得到初始的無監(jiān)督聚類圖結(jié)構(gòu)后，將該圖斷開得到引領森林，再根據(jù)每個樣本點的所在層次計算其高密度近鄰及其相對距離，以此來綜合考慮多個屬性以判定當前樣本的標簽，避免級聯(lián)誤分。（剩余16128字）