可能性聚类假设的半监督分类方法

摘要

在机器学习领域,基于图的半监督学习凭借其直观性和良好的学习性能而吸引了越来越多的关注。针对现有的基于图的半监督学习方法对噪声和异常数据的鲁棒性不够好/较敏感的问题,提出一种基于可能性聚类假设的半监督分类方法(Semi-Supervised Classification Method of Possibilistic Clustering Assumption,SSPCA),其约束每个数据点与其局部加权均值具有相同的标签隶属度值,以此来提高分类方法的可靠性,此外,在目标函数中引入一个关于模糊熵的正则项,通过增大样本判别信息量来增强隶属度函数的泛化能力,提高了该方法对噪声和异常数据的鲁棒性。在实际数据集上的大量实验结果证实了所提方法具有很好的分类可靠性和鲁棒性。