10.3778/j.issn.1002-8331.1409-0194
GGMC算法目标函数值实验分析与算法改进
针对贪心最大割图半监督学习算法(简称GGMC)计算复杂度较高的问题,提出一种改进的贪心最大割图半监督学习算法(简称GGMC-Estop)。依据对GGMC算法优化过程中目标函数变化趋势的实验分析,采取两种在迭代初期停止GGMC算法运行策略,继而通过一次标准的标签传播步骤预测图上所有样本的标记来实施对GGMC的改进。典型数据集的仿真实验结果表明,在取得相近分类性能的同时,改进算法在计算速度上有很大的提高。
图半监督学习、贪心最大割、早期停止策略、目标函数值
TP181(自动化基础理论)
国家自然科学基金No.71371012,No.71171002;教育部人文社科规划项目No.13YJA630098;安徽省优秀青年人才基金重点项目No.2013SQRL034Z;安徽省高校省级科学研究项目No.TSKJ2014B10;安徽工程大学青年基金项目No.2013YQ30。
2015-07-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
111-117,188