基于图的半监督学习的一致性
摘要：图形半监督学习是机器学习中最流行的方法之一。它的一些理论性质，如泛化误差的界限和图拉普拉斯正则化器的收敛性，在计算机科学和统计学文献中已经得到研究。然而，这种方法的估计器的一种基本统计性质————一致性，尚未被证明。在本文中，我们在一个非参数框架下研究了一致性问题。我们证明了在估计得分被强制等于标记数据的观测响应的情况下，基于图的学习的一致性。在此结果中，有标记数据和无标记数据的样本大小都允许增长。当估计得分不需要等于观测响应时，我们使用调节参数来平衡损失函数和图拉普拉斯正则化器。我们给出了一个反例，证明了这种情况下的估计器可能不一致。理论结果得到了数值研究的支持。
作者：Chengan Du, Yunpeng Zhao and Feng Wang
论文ID：1703.06177
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-04-12