基于图的半监督学习的快速鲁棒算法研究及其应用

Under the age of big data, how to use a large amount of unlabeled data to improve the performance of machine learning becomes the hot spot of current research and key scientific problems. Existing semi-supervised learning algorithms have some common disadvantages, such as not robust enough against noise, high cost of computation. This research project studies fast and robust graph-based semi-supervised learning algorithms and their applications, including: 1) Fast graph construction algorithm for semi-supervised learning; 2) Adaptive label propagation algorithm; 3) Graph-based semi-supervised learning algorithms under multi-view; 4) Graph-based semi-supervised learning algorithms under multi-task;5)Graph-based semi-supervised learning algorithms under guide of machine teaching; 6)Applications of graph-based semi- supervised learning algorithms on images. This research project explores the following key scientific problems, such as: 1) How to use the graph model better mining constraint relationships among data and the hidden manifold structure; 2) How to reduce the computational cost of graph-based semi-supervised learning algorithm; 3) How to design an effective algorithm to eliminate the influence of noise; 4) How to design excellent teaching algorithm on semi-supervised learning process for "guidance"; 5) How to effectively combine semi-supervised learning and other learning strategies; 6) How to apply graph-based semi-supervised learning for the processing and analysis of practical static and dynamic images.

大数据时代，如何利用大量的未标记数据来提高机器学习的性能成为当前的研究热点和关键科学问题。现有的半监督学习算法具有一些共同的缺点，如对于噪声不够稳健、运算开销较大等。本项目研究基于图的半监督学习的快速鲁棒算法及其应用，包括：1)半监督学习的快速建图算法；2)自适应标签传播算法；3)多视角下的基于图的半监督学习算法； 4)多任务下的基于图的半监督学习算法；5)机器教学引导的基于图的半监督学习算法；6).基于图的半监督学习算法在图像上的应用。探索解决其中的关键科学问题，包括：1）如何利用图模型更好地挖掘数据间的约束关系和隐含的流形结构；2）如何减少基于图的半监督学习算法的计算量；3）如何设计有效的算法消除噪声的影响；4）如何设计优良的教学算法对半监督学习过程进行“指导”；5）如何将半监督学习和其它学习策略有机地结合；6）如何将基于图的半监督学习应用到实际静态和动态图像的处理和分析中。

大数据时代，如何利用大量的未标记数据来提高机器学习的性能成为当前的研究热点和关键科学问题。现有的半监督学习算法具有一些共同的缺点，如对于噪声不够稳健、运算开销较大等。本项目研究基于图的半监督学习的快速鲁棒算法及其应用，包括：1)半监督学习的快速建图算法；2)自适应标签传播算法；3)多视角下的基于图的半监督学习算法； 4)多任务下的基于图的半监督学习算法；5)机器教学引导的基于图的半监督学习算法；6) 基于图的半监督学习算法在图像上的应用。探索解决其中的关键科学问题，包括：1）如何利用图模型更好地挖掘数据间的约束关系和隐含的流形结构；2）如何减少基于图的半监督学习算法的计算量；3）如何设计有效的算法消除噪声的影响；4）如何设计优良的教学算法对半监督学习过程进行“指导”；5）如何将半监督学习和其它学习策略有机地结合；6）如何将基于图的半监督学习应用到实际静态和动态图像的处理和分析中。