主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
杨南海,黄明明,赫然,王秀坤.基于最大相关熵准则的鲁棒半监督学习算法.软件学报,2012,23(2):279-288
基于最大相关熵准则的鲁棒半监督学习算法
Robust Semi-Supervised Learning Algorithm Based on Maximum Correntropy Criterion
投稿时间:2010-05-04  修订日期:2010-10-11
DOI:10.3724/SP.J.1001.2012.03977
中文关键词:  半监督学习  Gaussian-Laplacian 正则化  相关熵  鲁棒  半二次优化
英文关键词:semi-supervised learning  Gaussian-Laplacian regularized  correntropy  robust  half quadratic optimization
基金项目:国家自然科学基金(60873054, 50909012); 国家教育部高等学校博士学科点专项科研基金(20100041120009)
作者单位E-mail
杨南海 大连理工大学 计算机科学与技术学院,辽宁 大连 116024 yang.nanhai@gmail.com 
黄明明 大连理工大学 计算机科学与技术学院,辽宁 大连 116024  
赫然 大连理工大学 计算机科学与技术学院,辽宁 大连 116024
模式识别国家重点实验室(中国科学院 自动化研究所),北京 100190 
 
王秀坤 大连理工大学 计算机科学与技术学院,辽宁 大连 116024  
摘要点击次数: 3862
全文下载次数: 5039
中文摘要:
      分析了噪声对半监督学习Gaussian-Laplacian 正则化(Gaussian-Laplacian regularized,简称GLR)框架的影响,针对最小二乘准则对噪声敏感的特点,结合信息论的最大相关熵准则(maximum correntropy criterion,简称MCC), 提出了一种基于最大相关熵准则的鲁棒半监督学习算法(简称GLR-MCC),并证明了算法的收敛性.半二次优化技术被用来求解相关熵目标函数.在每次迭代中,复杂的信息论优化问题被简化为标准的半监督学习问题.典型机器学习数据集上的仿真实验结果表明,在标签噪声和遮挡噪声的情况下,该算法能够有效地提高半监督学习算法性能.
英文摘要:
      This paper analyzes the problem of sensitivity to noise in the mean square criterion of Gaussian- Laplacian regularized (GLR) algorithm. A robust semi-supervised learning algorithm based on maximum correntropy criterion (MCC), called GLR-MCC, is proposed to improve the robustness of GLR along with its convergence analysis. The half quadratic optimization technique is used to simplify the correntropy optimization problem to a standard semi-supervised problem in each iteration. Experimental results on typical machine learning data sets show that the proposed GLR-MCC can effectively improve the robustness of mislabeling noise and occlusion as compared with related semi-supervised learning algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利