稀疏半监督学习的理论与方法研究

稀疏半监督学习考虑运用少量标注样本和部分未标注样本以表达预测函数，具有对新样本标签的预测时间短、易于扩展到大规模数据的优点，正逐渐受到国际同行的关注。本项目从产生稀疏性的两种不同途径，即采用特定范数的规范化和不敏感损失函数的引入出发，对稀疏半监督学习的理论与方法进行系统的研究。具体研究内容包括：基于数据集稀疏化算法的稀疏半监督学习以及稀疏Laplacian支持向量机；基于凸函数的共轭对偶表示的稀疏半监督学习以及稀疏多视角支持向量机；大规模数据的序贯训练方法。通过对这些问题的探索与求解，可以增强对半监督学习的稀疏化方法的全面认识，刻画相应学习机器的泛化性能，并且对半监督学习在大规模数据下的应用产生积极的促进作用。我们将在深入研究统计学习理论、凸优化等内容的基础上，借鉴前人的相关工作，力争在稀疏半监督学习这一问题上取得突破性成果。

稀疏半监督学习考虑运用少量标注样本和部分未标注样本以表达预测函数，具有对新样本标签的预测时间短、易于扩展到大规模数据的优点，正逐渐受到国际同行的关注。本项目从产生稀疏性的两种不同途径，即采用特定范数的规范化和不敏感损失函数的引入出发，对稀疏半监督学习的理论与方法进行系统的研究。具体研究内容包括：基于数据集稀疏化算法的稀疏半监督学习以及稀疏Laplacian 支持向量机；基于凸函数的共轭对偶表示的稀疏半监督学习以及稀疏多视角支持向量机；大规模数据的序贯训练方法；其他有关多视角学习方法的研究，等等。通过对这些问题的探索与求解，增强了对半监督学习的稀疏化方法的全面认识，刻画了某些学习机器的泛化性能，在稀疏半监督学习这一问题上取得了突破性成果。