基于自适应图与维数约简的半监督学习研究

Semi-supervised learning is one of the hottest research topics in machine learning and related areas. As an effective semi-supervised learning method, although the label propagation has been widely used in various areas such as pattern recognition and computer vision, there are still many problems and key technologies which need to be further addressed and improved. Thus, this project will make thorough research on the adaptive graph learning and dimensionality reduction based label propagation. Firstly, multiple local constraints are introduced into adaptive graph learning model which makes the local structure information of data can be better preserved in it. Secondly, in order to reduce the effect of the high dimensional data, we will integrate dimensionality reduction into label propagation by building the relationships between the label prediction matrix and lower dimensional feature. At last, we combine the procedures of adaptive graph learning and dimensionality reduction into label propagation to construct a unified framework, which can effectively implement label propagation, graph learning and dimensionality reduction. The research of this project will not only improve the efficiency of the label propagation technology, but also provide some inspirations for other graph based semi-supervised learning algorithms. Therefore, the projection has important theoretical and practical values.

半监督学习是目前机器学习及相关领域的热门研究问题。尽管标签传递技术作为一种有效的半监督学习方法被广泛地应用于模式识别、计算机视觉等领域，但仍然存在许多问题和关键技术有待于进一步解决与完善。因此，本课题拟深入研究基于自适应图学习与维数约简的标签传递技术。首先，将多重局部约束引入到自适应图学习模型中使其所学到的图能够更好地保留数据的局部结构信息。其次，为了降低高维数据的影响，我们通过建立标签预测矩阵与低维特征之间的关系将维数约简的思想融入到标签传递技术中。最后，我们将自适应图学习、维数约简与标签传递整合为一个统一的框架，该框架能够有效地同时实现了高维数据的标签传递、图学习和维数约简目的。本项目的研究不仅会对标签传递技术起到推动作用，还将对其它基于图的半监督学习算法提供借鉴。因此，本项目具有重要的理论意义及应用价值。

半监督学习能够利用少量的标记样本和大量的无标记样本提高学习算法的性能及泛化能力，成为机器学习中热门研究方向之一。课题组围绕自适应图学习、维数约简、半监督学习等相关技术展开研究。首先针对现有的图构建方法依赖于参数选择和忽视了数据局部结构性等问题，分别提出了基于局部约束和多重局部约束融合的自适应图构建方法。其次，针对现有的图构建方法与后续学习方法相互分离的问题，分别提出了基于自适应图优化的半监督学习方法和维数约简方法。然后，为了减少高维数据对半监督学习方法的性能影响，通过建立标签矩阵与低维特征矩阵之间的关系，提出了基于自适应图标签传递的半监督岭回归方法和半监督多特征回归方法。最后，将自适应图学习、维数约简和半监督学习融合形成统一框架，提出了基于自适应图的半监督非负矩阵分解方法和开发了半监督分类系统。该系统实现了在少数标记样本的情况下既能利用大量未标记数据中潜在的信息，又能从高维数据中提取具有判别能力的低维特征和提高分类精度。在人脸图像、自然场景图像等数据集上分别对所提出的方法进行验证，实验结果表明我们方法的分类和聚类性能要优于其它对比方法。此外，本项目将上述理论和方法应用于基于医学影像图像的疾病辅助诊断和分析、视频异常目标检测、显著目标检测、基于运动目标的阴影检测等，并取得了良好的效果。因此，本项目的研究具有重要的理论意义及应用价值。同时对其它基于图的学习方法的研究提供理论和技术支撑。..在项目组成员共同努力下，本项目已完成项目申请书中给定的各年度计划目标与项目总体研究目标，并到达给定预期科研成果。项目组在国内外学术期刊和学术会议上发表SCI、EI检索的学术论文34篇，其中SCI检索论文27篇。已授权发明专利1项和实用新型专利2项、软件著作权2项，正在审查的申请发明专利3项。