.png){kind=icon}
返回
Evolving Similarity Functions for Graph-based Semi-Supervised Learning
.png){kind=icon}
OA
AI
DOI：10.1109/tevc.2026.3717536.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动数据分类通常采用监督学习算法来构建模型以分类新实例。然而，标注数据通常稀缺且获取成本高昂。半监督学习（SSL）通过利用少量标注数据和大量未标注数据提供了一种可行的替代方案。在各种SSL方法中，基于图的方法因其依赖邻域结构而非显式参数分布假设而尤为吸引人。然而，其性能高度依赖于图构造，这需要定义合适的相似性（或距离）函数。由于没有单一的相似性函数能在所有数据集上表现最优，本文介绍了两种进化方法——GEAS和ST-GPAS——来自动设计基于图的SSL的相似性函数。在50个公开数据集上的广泛实验表明，所提出的方法产生的相似性函数在转导学习性能上优于传统基于距离的度量方法和代表性度量学习算法。在Micro-F1和Macro-F1上的改进在非参数检验下具有统计显著性。GEAS和ST-GPAS达到几乎相同的性能，但在不同监督模式下存在微小但一致的优劣差异。
Keyword:
Transductive semi-supervised learning
graph-based algorithms
similarity functions
grammatical evolution
strongly-typed genetic programming
查看更多机构