基于局部尺度转换的拉普拉斯核方法  

Laplacian Kernels Method Based on Local Scale Transformation

作　　者：张亮[1] 杜子平[1] 李杨[1] 张俊[1] 

机构地区：[1]天津科技大学经济与管理学院,天津300222

出　　处：《计算机工程》2011年第8期202-203,206,共3页Computer Engineering

基　　金：国家自然科学基金资助项目(70671074);天津市科技发展战略研究计划基金资助项目(10ZLZLZF04900)

摘　　要：采用数据点的结构信息可以提高半监督学习的性能。为此,提出一种基于图的半监督学习方法。利用局部尺度转换对不同密度区域中的边权重设置不同的尺度参数,在此基础上构造图的拉普拉斯核分类器进行分类学习。在多个数据集上的实验显示该方法优于其他基于核的半监督分类方法。The performance of semi-supervised learning algorithm can be enhanced by incorporating the structural information of the dataset.Based on this assumption,a novel graph-based semi-supervised learning method is proposed.A local scale scheme is presented to define different scale parameters for edge weights in different density regions.The dataset is classified by a semi-supervised learning algorithm named graph Laplacian kernels.Experiments on several datasets show that the proposed method outperforms other kernel-based semi-supervised learning algorithms.

关 键 词：半监督学习 局部尺度转换 拉普拉斯核 分类学习 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]