导读：ECAI 2016是欧洲展示AI科学成果的最佳场所，大会为研究人员提供了很好的机会，去介绍和听取当代最优秀的人工智能研究成果。
半监督组稀疏表示：模型、算法与应用（Semi-Supervised Group Sparse Representation:Model, Algorithm and Applications）
摘要：组稀疏表示（GSR）利用了数据中的组结构，并在许多问题上效果很好。 然而，该组结构必须事先手动给出。在许多实际情况下，如分类，样本都是根据他们的标签进行分组的。在这种情况下，构建一个一致的组结构确实不容易。其原因有：1）样本可能被错误地标记；2）标签分配到大数据中非常费时且成本高。在本文中，我们提出并制定了一个新的问题，用半监督组稀疏表示（SS-GSR）支持标记和未标记数据中的组稀疏表示。同时学习一个更强大的组结构，它可以被进一步利用以更有效地代表其他未标记的数据。我们开发了一个模型来解决SS—GSR问题，它基于子空间分割中的流形假设，即同一组中样本特征空间紧密联系在一起且跨越相同的子空间。我们还提出了一个交替算法来解决模型。最后，我们通过大量的实验验证了该模型。
第一作者简介Longwen Gao
任职：上海市智能信息处理重点实验室，复旦大学计算机科学院博士
研究方向：数据挖掘，人工神经网络，人工智能
相关学术论文：
·“Effectively classifying short texts by structured sparse representation with dictionary filtering”
文章总结及应用场景本文中，我们提出并制定了半监督GSR（SS-GSR）对含标记和未标记的数据集进行组稀疏表示。它可以克服传统GSR的两大缺陷：1）在GSR中预定义组结构可能与数据中不完全一致；2）GSR中未利用未标记数据的潜在组结构。相比于GSR，SS-GSR可以利用标记数据的先验组结构和未标记数据的组结构信息。相比于SSL方法，SS-GSR可以从数据中自动的学习结构化亲和矩阵，而不是使用一个固定的。
我们将SS-GSR应用于监督和半监督分类任务，验证了SS-GS的有效性和优越性。
via：ECAI 2016
PS : 本文由雷锋网独家编译，未经许可拒绝转载！
原论文下载
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
