ترجمه فارسی مقاله یادگیری لاپلاس رابط: اصطلاح رابط قابل یادگیری به یادگیری نیمه نظارتی کمک می‌کند

چکیده

We introduce a novel framework, called Interface Laplace learning, for graph-based semi-supervised learning. Motivated by the observation that an interface should exist between different classes where the function value is non-smooth, we introduce a Laplace learning model that incorporates an interface term. This model challenges the long-standing assumption that functions are smooth at all unlabeled points. In the proposed approach, we add an interface term to the Laplace learning model at the interface positions. We provide a practical algorithm to approximate the interface positions using k-hop neighborhood indices, and to learn the interface term from labeled data without artificial design. Our method is efficient and effective, and we present extensive experiments demonstrating that Interface Laplace learning achieves better performance than other recent semi-supervised learning approaches at extremely low label rates on the MNIST, FashionMNIST, and CIFAR-10 datasets.

چکیده به فارسی (ترجمه ماشینی)

ما یک چارچوب جدید با نام Interface Laplace Learning را برای یادگیری نیمه تحت نظارت مبتنی بر نمودار معرفی می کنیم.با توجه به این نکته که یک رابط باید بین کلاسهای مختلف وجود داشته باشد که مقدار عملکرد غیر صاف است ، ما یک مدل یادگیری Laplace را معرفی می کنیم که شامل یک اصطلاح رابط است.این مدل فرض دیرینه را به چالش می کشد که توابع در تمام نقاط بدون برچسب صاف هستند.در رویکرد پیشنهادی ، ما یک اصطلاح رابط را به مدل یادگیری لاپلاس در موقعیت های رابط اضافه می کنیم.ما یک الگوریتم عملی برای تقریب موقعیت های رابط با استفاده از شاخص های محله K-HOP و یادگیری اصطلاح رابط از داده های برچسب زده شده بدون طراحی مصنوعی ارائه می دهیم.روش ما کارآمد و مؤثر است ، و ما آزمایش های گسترده ای را ارائه می دهیم که نشان می دهد یادگیری Laplace رابط عملکرد بهتری نسبت به سایر رویکردهای یادگیری نیمه تحت نظارت اخیر با نرخ برچسب بسیار کم در مجموعه داده های MNIST ، FASHINMNIST و CIFAR-10 به دست می آورد.