多任务半监督学习的大维度分析
原文中文,约400字,阅读约需1分钟。发表于: 。本研究通过大维度研究了一种简单而多功能的分类模型,同时涵盖了多任务学习、半监督学习和考虑不确定标签的要素。利用随机矩阵理论的工具,我们表征了一些关键功能的渐近特性,一方面可以预测算法的性能,另一方面揭示了一些关于有效使用该算法的反直觉指导。该模型不仅强大到提供良好的性能保证,而且简单到深入理解其行为。
该文章提出了一个理论框架用于分析高维情况下的半监督分类,通过线性分类模型QLDS实现低密度分离假设。QLDS是最小二乘支持向量机、谱聚类和半监督图方法的特殊情况。利用随机矩阵理论推导了分类误差的理论评估,并提供了超参数选择策略。实验研究证明了QLDS在计算效率和超参数选择上的优势。