導讀：ECAI 2016是歐洲展示AI科學成果的最佳場所，大會爲研究人員提供了很好的機會，去介紹和聽取當代最優秀的人工智能研究成果。
半監督組稀疏表示：模型、算法與應用（Semi-Supervised Group Sparse Representation:Model, Algorithm and Applications）
摘要：組稀疏表示（GSR）利用了數據中的組結構，並在許多問題上效果很好。 然而，該組結構必須事先手動給出。在許多實際情況下，如分類，樣本都是根據他們的標籤進行分組的。在這種情況下，構建一個一致的組結構確實不容易。其原因有：1）樣本可能被錯誤地標記；2）標籤分配到大數據中非常費時且成本高。在本文中，我們提出並制定了一個新的問題，用半監督組稀疏表示（SS-GSR）支持標記和未標記數據中的組稀疏表示。同時學習一個更強大的組結構，它可以被進一步利用以更有效地代表其他未標記的數據。我們開發了一個模型來解決SS—GSR問題，它基於子空間分割中的流形假設，即同一組中樣本特徵空間緊密聯繫在一起且跨越相同的子空間。我們還提出了一個交替算法來解決模型。最後，我們通過大量的實驗驗證了該模型。
第一作者簡介
Longwen Gao
任職：上海市智能信息處理重點實驗室，復旦大學計算機科學院博士
研究方向：數據挖掘，人工神經網絡，人工智能
相關學術論文：
·「Effectively classifying short texts by structured sparse representation with dictionary filtering」
文章總結及應用場景
本文中，我們提出並制定了半監督GSR（SS-GSR）對含標記和未標記的數據集進行組稀疏表示。它可以克服傳統GSR的兩大缺陷：1）在GSR中預定義組結構可能與數據中不完全一致；2）GSR中未利用未標記數據的潛在組結構。相比於GSR，SS-GSR可以利用標記數據的先驗組結構和未標記數據的組結構信息。相比於SSL方法，SS-GSR可以從數據中自動的學習結構化親和矩陣，而不是使用一個固定的。
我們將SS-GSR應用於監督和半監督分類任務，驗證了SS-GS的有效性和優越性。
via：ECAI 2016
PS : 本文由雷鋒網(公衆號：雷鋒網)獨家編譯，未經許可拒絕轉載！
