结合半监督核的高斯过程分类

摘要

提出了一种半监督算法用于学习高斯过程分类器,其通过结合非参数的半监督核向分类器提供未标记数据信息.该算法主要包括以下几个方面:1)通过图拉普拉斯的谱分解获得核矩阵,其联合了标记数据和未标记数据信息;2)采用凸最优化方法学习核矩阵特征向量的最优权值,构建非参数的半监督核;3)把半监督核整合到高斯过程模型中,构建所提出的半监督学习算法.该算法的主要特点是:把基于整个数据集的非参数半监督核应用于高斯过程模型,该模型有着明确的概率描述,可以方便地对数据之间的不确定性进行建模,并能够解决复杂的推论问题.通过实验结果表明,该算法与其他方法相比具有更高的可靠性.