圖上的隨機游走學習.pdf

1、傳統(tǒng)的處理機器學習和數(shù)據(jù)挖掘問題的方法都需要很強的前提假設(shè)或者大量的先驗知識，所以當現(xiàn)實問題與前提假設(shè)不一致時或者先驗知識不足夠時就會導致傳統(tǒng)方法性能的降低。近年來大量的令傳統(tǒng)方法無能為力的學習問題不斷涌現(xiàn)出來，而隨機過程中的隨機游走(Random Walk)就是處理這類棘手問題的一種有效方法。 隨機游走在計算機學科的信息檢索領(lǐng)域已經(jīng)得到了成功的應(yīng)用，現(xiàn)在正被越來越多地應(yīng)用到機器學習和數(shù)據(jù)挖掘等領(lǐng)域。在此背景下，我們提出圖上的隨

2、機游走學習，創(chuàng)造性地將隨機游走作為一項基本技術(shù)，用于改善傳統(tǒng)的有監(jiān)督學習，半監(jiān)督學習和無監(jiān)督學習中的困難問題，本論文的具體貢獻如下。 (1)隨機游走分類器模型?；趫D上的隨機游走理論，我們提出了隨機游走基礎(chǔ)分類器模型、互補的隨機游走分類器模型、組合隨機游走分類器模型，詳細地分析了這些模型下的最優(yōu)分類器的設(shè)置和性能，給出了各種模型對應(yīng)的有效分類器實現(xiàn)方法，從理論上證明了我們提出的組合方法可以大大提升基礎(chǔ)分類器的性能。 (2

3、)多層隨機游走框架。在簡單隨機游走理論的啟發(fā)下，我們提出一個統(tǒng)一的半監(jiān)督學習框架——多層隨機游走，通過構(gòu)建各種組件級的隨機游走模型，可以產(chǎn)生一系列對應(yīng)的多分類標簽傳播算法。多層隨機游走框架不僅囊括了目前為止的絕大多數(shù)標簽傳播算法，而且還能產(chǎn)生更多新的高效的組件傳播算法，這些結(jié)果被我們從正則化的角度得到進一步的證實。另外針對有標簽數(shù)據(jù)不平衡分布情況，我們提出了一種簡單的平衡策略，可用于改進任何標簽傳播算法的分類性能。實驗結(jié)果證明多層隨機游

4、走框架下的組件傳播算法和平衡策略都是非常有效的。 (3)隨機游走的細胞自動機聚類。借鑒隨機游走的思想，受螞蟻分巢居住行為的啟發(fā),使用細胞自動機的形式提出了螞蟻睡眠模型(ASM)。在此模型上設(shè)計一個螞蟻隨機游走聚類算法(RWAC)，該算法用人工螞蟻代表一個數(shù)據(jù)對象，讓整個螞蟻群體在隨機游走中動態(tài)地、自適應(yīng)地、自組織地形成多個獨立的子群體，使不同類別的螞蟻之間相互分離，而同類的螞蟻之間高度緊密地排列，從而達到對數(shù)據(jù)聚類的目的。在螞蟻