当前位置: X-MOL 学术Comput. J. › 论文详情
Adaptive Laplacian Support Vector Machine for Semi-supervised Learning
The Computer Journal ( IF 1.077 ) Pub Date : 2021-04-30 , DOI: 10.1093/comjnl/bxab024
Rongyao Hu, Leyuan Zhang, Jian Wei

Laplacian support vector machine (LapSVM) is an extremely popular classification method and relies on a small number of labels and a Laplacian regularization to complete the training of the support vector machine (SVM). However, the training of SVM model and Laplacian matrix construction are usually two independent process. Therefore, In this paper, we propose a new adaptive LapSVM method to realize semi-supervised learning with a primal solution. Specifically, the hinge loss of unlabelled data is considered to maximize the distance between unlabelled samples from different classes and the process of dealing with labelled data are similar to other LapSVM methods. Besides, the proposed method embeds the Laplacian matrix acquisition into the SVM training process to improve the effectiveness of Laplacian matrix and the accuracy of new SVM model. Moreover, a novel optimization algorithm considering primal solver is proposed to our adaptive LapSVM model. Experimental results showed that our method outperformed all comparison methods in terms of different evaluation metrics on both real datasets and synthetic datasets.

中文翻译:

半监督学习的自适应拉普拉斯支持向量机

拉普拉斯支持向量机(LapSVM)是一种非常流行的分类方法,它依靠少量标签和拉普拉斯正则化来完成对支持向量机(SVM)的训练。但是,支持向量机模型的训练和拉普拉斯矩阵的构建通常是两个独立的过程。因此,在本文中,我们提出了一种新的自适应LapSVM方法,以一种原始的方法来实现半监督学习。具体来说,未标记数据的铰链丢失被认为是最大化来自不同类别的未标记样本之间的距离,并且处理标记数据的过程类似于其他LapSVM方法。此外,该方法将拉普拉斯矩阵的获取嵌入到支持向量机的训练过程中,以提高拉普拉斯矩阵的有效性和新的支持向量机模型的准确性。此外,针对我们的自适应LapSVM模型,提出了一种考虑原始求解器的优化算法。实验结果表明,就真实数据集和综合数据集而言,我们的方法在不同的评估指标方面均优于所有比较方法。
更新日期:2021-05-04
全部期刊列表>>
欢迎新作者ACS
聚焦环境污染物
专攻离子通道生理学研究
中国作者高影响力研究精选
虚拟特刊
屿渡论文,编辑服务
浙大
上海中医药大学
苏州大学
江南大学
四川大学
灵长脑研究中心
毛凌玲
南开大学陈瑶
朱如意
中科院
南开大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
华辉
天合科研
x-mol收录
试剂库存
down
wechat
bug