.png){kind=icon}
返回
An integrated framework for scalable and inductive graph-based semi-supervised learning with adaptive sample weighting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.115696.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 介绍了一种可扩展的基于图的无监督学习算法。
• 将自适应样本加权概念扩展到大型数据集。
• 将标记样本的自适应权重引入无监督模型。
• 联合提供锚标签、锚图和线性映射。
• 使用三个大型数据集评估无监督分类效果。
Keyword:
Scalable graph-based semi-supervised learning
Adaptive weights
Reduced flexible manifold embedding
Anchor-to-anchor affinity graph
Inductive semi-supervised models
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
分享收藏A semi-supervised learning algorithm via adaptive Laplacian graph一种基于自适应拉普拉斯图的半监督学习算法.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Multiple-view flexible semi-supervised classification through consistent graph construction and label propagationNEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Deep semi-supervised learning via dynamic anchor graph embedding in latent spaceNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
A simple graph-based semi-supervised learning approach for imbalanced classification一种简单的基于图的半监督学习的不平衡分类方法PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容