Graph-Based Semi-Supervised Segregated Lipschitz Learning

要約

この論文では、グラフ上のリプシッツ学習を使用したデータの分類のための半教師あり学習へのアプローチを紹介します。
私たちは、無限ラプラシアンの特性を利用して、少数のサンプルのみがラベル付けされているデータセット内のラベルを伝播する、グラフベースの半教師あり学習フレームワークを開発します。
空間分離理論をラプラス演算子から無限ラプラス演算子に拡張することにより、連続設定と離散設定の両方で、私たちのアプローチは、機械学習の一般的な課題であるクラスの不均衡に対処するための堅牢な方法を提供します。
いくつかのベンチマーク データセットでの実験検証により、私たちの方法が既存の方法と比較して分類精度を向上させるだけでなく、ラベル付きデータが限られたシナリオでも効率的なラベル伝播が保証されることが実証されました。

要約(オリジナル)

This paper presents an approach to semi-supervised learning for the classification of data using the Lipschitz Learning on graphs. We develop a graph-based semi-supervised learning framework that leverages the properties of the infinity Laplacian to propagate labels in a dataset where only a few samples are labeled. By extending the theory of spatial segregation from the Laplace operator to the infinity Laplace operator, both in continuum and discrete settings, our approach provides a robust method for dealing with class imbalance, a common challenge in machine learning. Experimental validation on several benchmark datasets demonstrates that our method not only improves classification accuracy compared to existing methods but also ensures efficient label propagation in scenarios with limited labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google