基于Tucker分解的半监督支持张量机

• 作者: 吴凡 吴振宇 李云雷
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: Tucker分解 支持张量机 半监督学习
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 195-200
• 页数: 6页
• 分类号: TP181
• 字数: 7615字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2019.09.028

摘要

传统的机器学习方法所使用的数据大多是基于向量空间的.支持向量机(Support Vector Machine,SVM)作为一种重要的机器学习方法,在解决小样本、非线性、高维数据等问题时具有较好的性能.但在实际应用中,图像和视频等数据都是用张量形式表示的,如果将这些张量数据直接转换成向量数据,往往会丢失一些原有的结构和相关性信息,有可能造成维度灾难和小样本问题.为了设法保持尽量多的张量结构信息,提出了一种采用Tucker分解的支持张量机(Support Tensor Machine,STM)算法.实验表明,该方法可以明显提高分类器性能;同时,支持张量机作为监督学习方式,存在无法利用未标记数据的缺点,往往受限于训练数据不足的情况.因此,将半监督学习方法与支持张量机相结合,进而提出了基于Tucker分解的半监督支持张量机算法(Semi-Supervised STM,S3TM).该算法既可以保持较多的张量结构信息,又能充分利用未标记数据.实验表明,采用该算法的预测准确率达到90.26％,从而验证了所提算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴振宇	大连理工大学创新创业学院	70	486	12.0	19.0
2	吴凡	大连理工大学创新创业学院	9	24	2.0	4.0
3	李云雷	大连理工大学创新创业学院	2	1	1.0	1.0