利用高斯域的半监督回归和主动学习  

Semi-Supervised Regression and Active Learning with GF

作　　者：崔鹏 张汝波[1] 

机构地区：[1]哈尔滨工程大学计算机学院,哈尔滨150001 [2]哈尔滨理工大学计算机学院,哈尔滨150080

出　　处：《计算机工程》2009年第15期187-189,共3页Computer Engineering

摘　　要：介绍一种定义近邻图上的高斯域(GF)及用于降维和分类的GF的相关知识,提出一种用于半监督回归的高斯域,能自动设置模型参数和近邻数,利用监督和无监督数据进行熵值查询选择从而进行主动学习。实验将其与半监督学习法进行比较并验证了GF的有效性。A Gaussian Fields（GF） on nearest neighbor graph is defined by using a non-parametric technique. On the basis of it, a MAP criterion which can automatically set model parameter and numbers of nearest-neighbor k is proposed and entropy maximization query selection method for active learning by using supervised and unsupervised information is specified. Experimental results demonstrate effectiveness of GF compared with semi-active learning method.

关 键 词：高斯域 半监督回归 主动学习 熵 CHOLESKY分解 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]