一种最大化样本可分性半监督Boosting算法

• 作者: 侯杰 孙金生 茅耀斌
• 来源期刊: 南京理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 半监督学习 Boosting算法 可分性 分类器
• 年，卷（期）: 2014,（5）
• 页码范围: 675-681
• 页数: 7页
• 分类号: TP181
• 字数: 6108字
• 语种: 中文

摘要

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督Boosting算法,通过引入“高密度区域局部散度最小、样本空间全局散度最大”准则来学习未标注的样本.该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题.实验结果表明,该文算法有效提高了Boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	茅耀斌	南京理工大学自动化学院	37	772	17.0	27.0
2	孙金生	南京理工大学自动化学院	62	829	15.0	26.0
3	侯杰	南京理工大学自动化学院	2	8	1.0	2.0