原创力文档摘要
在机器学习的实际应用中，数据标签的获取往往费时费力，需要付出的代价
较高。半监督学习可以从少量的带标签数据中学习到无标签数据的标签信息，具
有巨大的实用价值。基于图的半监督学习方法结合了图的表示优势和半监督学习
的学习能力，相较于其他半监督学习方法具有更优异的性能，在实际应用中得到
了广泛关注。
基于图的半监督学习模型中的聚类或分段光滑假设，即相邻节点上的标签值
往往变化不大，图全变差正则被用来预测未知标签，在图半监督学习中起着关键
摘要
在机器学习的实际应用中，数据标签的获取往往费时费力，需要付出的代价
较高。半监督学习可以从少量的带标签数据中学习到无标签数据的标签信息，具
有巨大的实用价值。基于图的半监督学习方法结合了图的表示优势和半监督学习
的学习能力，相较于其他半监督学习方法具有更优异的性能，在实际应用中得到
了广泛关注。
基于图的半监督学习模型中的聚类或分段光滑假设，即相邻节点上的标签值
往往变化不大，图全变差正则被用来预测未知标签，在图半监督学习中起着关键
文档评论（0）