单双点平滑结合的流形正则化半监督分类学习框架

提出一种单双点平滑结合的流形正则化半监督分类学习框架(SDS_MR)。流形正则化(Manifold regularization,MR)约束流形图上的相似实例应该获得相似的分类输出,但是MR是建立在流形图上的双点平滑上的,即平滑约束是在所有实例对上实现的,也就是视每个实例对为单位。在MR的基础上做了改进,通过结合实例对平滑和单个实例的平滑来实现半监督学习。通过这种方式,单双点的平滑都被取利用,都具重要性且做出贡献,这种重要性可以是双点约束信息,也可以是单点局部密度。在UCI标准测试数据集上的实验结果显示,SDS_MR与MR相比具有一定的竞争力。