Aprendizaje semisupervisado escalable con propagación y corrección de etiquetas discriminatorias

Área de la Ciencia:

• Aprendizaje automático
• Inteligencia artificial
• Ciencia de datos

Sus antecedentes:

• El aprendizaje semisupervisado utiliza datos etiquetados y no etiquetados, pero se enfrenta a desafíos con los métodos existentes.
• Los enfoques actuales a menudo se centran en estructuras de similitud o pérdidas de regresión, descuidando su interacción.
• Las estructuras de similitud poco fiables entre las muestras límite pueden inducir a error en la propagación de etiquetas y perjudicar el rendimiento fuera de muestra.

Objetivo del estudio:

• Proponer un marco de aprendizaje semisupervisado escalable, Discriminative Label Propagation and Correction (DLPC), que aborde las limitaciones de los métodos existentes.
• Mejorar la efectividad de las pérdidas de regresión para muestras límite proyectándolas en etiquetas de clase independientes.
• Mejorar la calidad de las etiquetas y facilitar el aprendizaje de proyección de características mediante la explotación colaborativa de pérdidas de regresión y estructuras de similitud.

Principales métodos:

• DLPC explota colaborativamente las pérdidas de regresión y las estructuras de similitud.
• Las muestras se proyectan en etiquetas de clase independientes con vectores de ajuste no negativos, ampliando las distancias entre clases.
• La propagación de etiquetas se produce a través de estructuras de grafos optimizadas dinámicamente, seguida de la corrección utilizando pérdidas de regresión.

Principales resultados:

• DLPC mejora eficazmente la calidad de las etiquetas y facilita el aprendizaje de proyección de características.
• Una solución acelerada mejora la eficiencia computacional, haciendo que DLPC sea escalable a problemas a gran escala.
• Los experimentos demuestran la efectividad y superioridad de DLPC sobre los competidores de vanguardia en tareas de vista única y de múltiples vistas.

Conclusiones:

• DLPC ofrece una solución robusta y escalable para el aprendizaje semisupervisado al integrar pérdidas de regresión y estructuras de similitud.
• La capacidad del marco para manejar muestras límite y su eficiencia computacional lo hacen adecuado para diversas aplicaciones.
• DLPC muestra un potencial significativo para avanzar en la investigación e implementaciones prácticas del aprendizaje semisupervisado.