.png){kind=icon}
返回
Robust Multi-View Ensemble Broad Learning for Semi-Supervised Classification
.png){kind=icon}
OA
AI
DOI：10.3390/informatics13050075.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在半监督学习场景中，有限标注数据和大量未标注样本的存在对模型鲁棒性和泛化能力提出了显著挑战。尽管半监督广义学习系统（SSBLS）通过图拉普拉斯正则化有效利用了流形结构，但其优化通常基于均方误差（MSE）准则，该准则对噪声和异常值敏感。为解决此局限，本文将最大混合相关熵准则（MMC）引入SSBLS框架，提出了一种称为M2C-SSBLS的模型。通过将传统MSE损失替换为基于混合相关熵的目标函数，所提方法在增强对非高斯噪声和异常样本的鲁棒性的同时，保留了BLS的计算效率和分析解特性。此外，为改善表示多样性并降低模型方差，提出了一种多视图集成扩展方法EC-SSBLS。该方法通过随机特征子空间策略构建多个特征视图，并在每个子空间上独立训练M2C-SSBLS基学习器。最后，通过投票机制融合各视图的预测结果。在UCI基准数据集的无噪声、10%和20%标签噪声设置下的实验表明，所提M2C-SSBLS模型始终优于传统SSBLS及其他先进的半监督学习方法。集成扩展EC-SSBLS进一步提升了性能，尤其在噪声环境下表现突出，验证了结合MMC优化与多视图集成学习的有效性。
Keyword:
semi-supervised learning
broad learning system
ensemble learning
maximum mixture correntropy criterion
期刊
I
IF:
0
论文数:
230
被引数:
0
机构
引用论文
Incremental Semi-Supervised Learning with Adaptive Locality Preservation for High-Dimensional Data增量半监督学习与自适应局部保持的高维数据.png)
IF0
PREAI
分享收藏Wang, L.; Wang, Y.; Chen, J.; Zhang, S.; Zhang, L. Research on CC-SSBLS model-based air quality index prediction. Atmosphere 2024, 15, 613. [Google Scholar] [CrossRef]王磊、王勇、陈杰、张珊、张丽. 基于CC-SSBLS模型的空气质量指数预测研究. 大气科学, 2024, 15, 613. [谷歌学术] [ CrossRef ]
IF0
PREAI
分享收藏Dynamic Chunk-Based Active Learning Based on Enhanced Broad Learning System for Imbalanced Drifting Data Streams基于增强型广域学习系统的动态分块主动学习，用于不平衡漂移数据流
PREAI
分享收藏分享收藏Jia, W.; Li, X.; Bi, D.; Xie, Y. Maximum mixture correntropy based Student-t kernel adaptive filtering for indoor positioning of internet of Things. Inf. Sci. 2025, 696, 121729. [Google Scholar] [CrossRef]贾等：基于最大混合相关熵的Student-t核自适应滤波用于物联网室内定位。Inf. Sci. 2025, 696, 121729. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容