声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：31-1289/TP
国际刊号：1000-3428
发布日期:
作者：薛子晗, 潘迪, 何丽
单位：天津财经大学 理工学院, 天津 300222
关键词：半监督学习,密度峰值聚类,基于图方法,标签传递,迭代
基金：天津市自然科学基金（16JCYBJC42000，18JCYBJC85100）；天津市教委科研计划项目（2017KJ237）；教育部人文社会科学研究规划基金（19YJA630046）。
基于图的局部与全局一致性（LGC）半监督学习方法具有较高的标注正确率，但时间复杂度较高，难以适用于数据规模较大的实际应用场景。从缩小图的规模入手，提出一种全局一致性优化方法。使用改进后的密度峰值聚类算法，迭代地从数据集中筛选出多个中心点，以每个中心点为簇中心进行局部聚类，并以中心点为顶点构建图，实现基于LGC的半监督学习。实验结果表明，优化后的LGC方法在D31、Aggregation等数据集上具有较好的鲁棒性，在标注正确率和算法执行时间上优势明显。
来源：2021年第2期
《计算机工程》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。