计算机工程

作者：冉烔宇, 汤梦姿, 解庆, 刘永坚

单位：武汉理工大学计算机与人工智能学院，湖北 武汉 430070

关键词：有序分类,图神经网络,特征加权,信息融合,半监督学习

基金：武汉理工大学自主创新研究基金(2024IVA036)

有序分类属于分类的一种，其要求类标签存在自然顺序，在很多领域例如电影分级、年龄估计都得到了广泛的研究。目前，大部分有序分类方法假设所有样本都被标记。但由于数据的特殊性，在实践中往往难以收集大量的标记数据，影响有序分类的性能。针对以上问题，提出一种结合额外信息的半监督有序分类框架。首先，利用未标记样本的顺序关系生成额外的偏序信息，并将偏序信息构建为有向图网络；然后使用图神经网络(GNN)聚合邻居信息，丰富节点表示，同时捕捉节点间的顺序关系，利用学习到的表示恢复偏序信息间的全局排名；接着使用高斯混合加权的方法对数据特征根据全局排名进行加权，并使用聚类方法为全局排名赋予伪标签，从而将这些信息合并到有序信息中；最后，使用有监督学习的有序分类模型进行年龄估计。在FGNET、Adience、UTKFace 3个数据集上的实验结果表明，该框架使用较少的标记数据便能够取得可靠的性能，在平均绝对误差(MAE)、准确率(Accuracy) 2个指标上相较于半监督学习基线方法均有提升：MAE在3个数据集上分别降低了0.05、0.04、0.04，Accuracy在3个数据集上分别提高了4.8、4.5、3.5百分点。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期