Graph-based semi-supervised learning (GSSL) is an important paradigm among semi-supervised learning approaches and includes the two processes of graph construction and label inference. In most traditional GSSL methods, the two processes are completed independently. Once the graph is constructed, the result of label inference cannot be changed. Therefore, the quality of the graph directly determines the GSSL’s performance. Most traditional graph construction methods make certain assumptions about the data distribution, resulting in the quality of the graph heavily depends on the correctness of these assumptions. Therefore, it is difficult to handle complex and various data distribution for traditional graph construction methods. To overcome such issues, this paper proposes a framework named Graph-based Semi-supervised Learning via Improving the Quality of the Graph Dynamically. In it, the graph construction based on the weighted fusion of multiple clustering results and the label inference are integrated into a unified framework to achieve their mutual guidance and dynamic improvement. Moreover, the proposed framework is a general framework, and most existing GSSL methods can be embedded into it so as to improve their performance. Finally, the working mechanism, the effectiveness in improving the performance of GSSL methods and the advantage compared with other GSSL methods based on dynamic graph construction methods of the proposal are verified through systematic experiments.

基于图的半监督学习（GSSL）是半监督学习方法中的一个重要范例，它包括图构建和标签推理两个过程。在大多数传统的GSSL方法中，这两个过程是独立完成的。一旦构建了图，就无法更改标签推断的结果。因此，图的质量直接决定了GSSL的性能。大多数传统的图构造方法都会对数据分布做出某些假设，导致图的质量在很大程度上取决于这些假设的正确性。因此，传统的图形构造方法难以处理复杂的各种数据分布。为了克服这些问题，通过动态提高图的质量，提出了一种基于图的半监督学习框架。其中，将基于多个聚类结果的加权融合的图形构造和标签推理集成到一个统一的框架中，以实现相互指导和动态改进。此外，所提出的框架是通用框架，并且可以将大多数现有的GSSL方法嵌入其中以提高其性能。最后，通过系统的实验，验证了该方案的工作机制，提高GSSL方法性能的有效性以及与其他基于建议的动态图构造方法的GSSL方法相比的优势。将基于多个聚类结果的加权融合和标签推理的图构造集成到一个统一的框架中，以实现相互指导和动态改进。此外，所提出的框架是通用框架，并且可以将大多数现有的GSSL方法嵌入其中以提高其性能。最后，通过系统的实验，验证了该方案的工作机制，提高GSSL方法性能的有效性以及与其他基于建议的动态图构造方法的GSSL方法相比的优势。将基于多个聚类结果的加权融合和标签推理的图构造集成到一个统一的框架中，以实现相互指导和动态改进。此外，所提出的框架是通用框架，并且可以将大多数现有的GSSL方法嵌入其中以提高其性能。最后，通过系统的实验，验证了该方案的工作机制，提高GSSL方法性能的有效性以及与其他基于建议的动态图构造方法的GSSL方法相比的优势。并且可以将大多数现有的GSSL方法嵌入其中，以提高其性能。最后，通过系统的实验，验证了该方案的工作机制，提高GSSL方法性能的有效性以及与其他基于建议的动态图构造方法的GSSL方法相比的优势。并且可以将大多数现有的GSSL方法嵌入其中，以提高其性能。最后，通过系统的实验，验证了该方案的工作机制，提高GSSL方法性能的有效性以及与其他基于建议的动态图构造方法的GSSL方法相比的优势。