¿Alguien puede compartir su experiencia con la técnica de aprendizaje semi supervisada de Label Propagation? ¿Cómo funciona ese método en la naturaleza?

Experiencia con la propagación de etiquetas: obtuvo buenos resultados con el conjunto de datos de USPS. Actualmente estoy explorando estos métodos profundamente. Básicamente depende de la Constricción de Gráficos. Pero es una de las mejores técnicas de aprendizaje transductivo como línea de base.

Detalles del algoritmo:
Aprendizaje semi supervisado de propagación de etiquetas:

1) En realidad, LP (Propagación de etiquetas) es una configuración transductiva [2] de aprendizaje semi-supervisado.
2) Transductivo significa que los ejemplos no etiquetados son datos de prueba. No hay outo de punto de datos de muestra. por ejemplo: n = l + u (l ejemplos tendrán etiqueta asociada, u ninguno de los ejemplos que tenemos predicen las etiquetas).

3) Una forma de predecir las etiquetas para los ejemplos de u son los algoritmos LP, Zhu y Gharamani (“LP-ZGL Algo”, conocido famoso) lo propusieron en 2002.

4) Es un algoritmo muy simple de explicar.

Paso 1: Construya el gráfico de n puntos de datos, de modo que la entrada sea n * d (sin ejemplos y dimensión), la salida es la Matriz de probabilidad de transición (T).
Paso 2: Prepare el vector de etiqueta (Y0) ya que para l ejemplos es +1 o -1 y u examina que es todo ceros.
Paso 3: Multiplique T * Y0 para obtener Y1 (en Y1 algunos ejemplos obtendrán un valor de 0 a un valor distinto de cero)
Paso 4: repita el paso 3 hasta que se convierta en convector (es decir, todos los ejemplos u alcanzan un valor de cero (0) a +1 o -1)

-Esta clasificación binaria 2, puede extenderse fácilmente a Multi utilizando enfoques de uno contra descanso. Hay muchas variantes de LP algos.

Enlace para papel: Propagación de etiquetas y criterio cuadrático

AprendizajeAprendizaje automáticoInteligencia ArtificialRecuperación de información