Latent Graph Powered Semi-Supervised Learning on Biomedical Tabular Data

要約

半教師あり学習の領域では、現在のアプローチでは、ラベル付けされていないデータ間のインスタンス間の関係を考慮する可能性が十分に活用されていません。
この研究では、固有のデータ関係を捕捉する潜在グラフを推論するアプローチを提供することで、この制限に対処します。
グラフベースの表現を活用することで、私たちのアプローチはグラフ全体に情報をシームレスに伝達することを容易にし、グローバルおよびローカルの知識を効果的に組み込むことができます。
生物医学の表形式データセットの評価を通じて、私たちのアプローチの機能を他の現代的な手法と比較します。
私たちの研究は、半教師あり学習技術を強化するための堅牢な潜在グラフを構築するための実用的な手段として、インスタンス間関係発見の重要性を実証しています。
私たちの手法は、3 つの生物医学データセットで最先端の結果を達成します。

要約(オリジナル)

In the domain of semi-supervised learning, the current approaches insufficiently exploit the potential of considering inter-instance relationships among (un)labeled data. In this work, we address this limitation by providing an approach for inferring latent graphs that capture the intrinsic data relationships. By leveraging graph-based representations, our approach facilitates the seamless propagation of information throughout the graph, enabling the effective incorporation of global and local knowledge. Through evaluations on biomedical tabular datasets, we compare the capabilities of our approach to other contemporary methods. Our work demonstrates the significance of inter-instance relationship discovery as practical means for constructing robust latent graphs to enhance semi-supervised learning techniques. Our method achieves state-of-the-art results on three biomedical datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google