10.19678/j.issn.1000-3428.0057017
结合改进密度峰值聚类的LGC半监督学习方法优化
基于图的局部与全局一致性(LGC)半监督学习方法具有较高的标注正确率,但时间复杂度较高,难以适用于数据规模较大的实际应用场景.从缩小图的规模入手,提出一种全局一致性优化方法.使用改进后的密度峰值聚类算法,迭代地从数据集中筛选出多个中心点,以每个中心点为簇中心进行局部聚类,并以中心点为顶点构建图,实现基于LGC的半监督学习.实验结果表明,优化后的LGC方法在D31、Aggregation等数据集上具有较好的鲁棒性,在标注正确率和算法执行时间上优势明显.
半监督学习、密度峰值聚类、基于图方法、标签传递、迭代
47
TP18(自动化基础理论)
天津市自然科学基金;天津市教委科研计划项目;教育部人文社会科学研究规划基金
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
77-83,89