稀疏特征空间嵌入正则化：鲁棒的半监督学习框架

在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究。针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化（Sparse Feature Space embedding Regularization ,SFSR ）半监督学习框架,其主要思想为：首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR ,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性。     

具有磁场效应的大间隔支持向量机

为了提升模式分类泛化性能,该文提出一种新颖的具有磁场效应的大间隔支持向量机(MFSVM)。为了学习最优分割超平面,MFSVM通过引入最小化的q-磁场带,使得一类(或正常类)被包含其中,而另一类(或异常类)与该q-磁场带的间隔尽可能地大,从而实现类内内聚性的提高和类间间隔的增大,增强SVM学习泛化能力。在人造和实际数据集上实验结果显示,MFSVM分别在二类和一类模式分类上的性能均优于或等同于相关方法。