换一批摘要针对大规模检索时半监督学习方法难以兼顾运算复杂度和学习精度的问题,提出一种高效、高精度的半监督学习方法,在不降低学习精度的前提下降低运算复杂度.设计用于图模型重建的复杂度函数,在给定的复杂度水平下,结合径向基函数重建最优的图模型;采用轮换授权算法,对图模型进行分层聚类,构建树结构;采用分层查询策略,沿着树自上而下地遍历各节点,贪婪搜索期望误差最小的节点,扩展已标记样本集,不断降低学习误差,提高学习精度.仿真实验表明,与现有的半监督学习方法相比,该方法的学习精度更高、运算复杂度更低.
更多相关知识
关键词
主动学习半监督图模型分层查询径向基函数期望误差active learningsemi-supervisedgraph modelhierarchic queryradial basis functionexpected error
分类号
TP391
栏目名称
DOI
10.16208/j.issn1000-7024.2017.05.025
发布时间
2017-06-23（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
