提升半监督学习效率：基于图的聚类与主动学习方法

半监督学习是近年来机器学习领域的重要研究方向，它在解决标注数据不足的问题上具有显著优势，因此得到了国际学术界的广泛关注。本文主要聚焦于"基于图的半监督学习算法研究"，由中山大学计算机软件与理论专业的硕士研究生陈文晖撰写，指导教师为印鉴教授。 作者首先概述了半监督学习的基本概念和背景，强调了其在实际问题中的应用价值。半监督学习的核心在于利用少量标注数据和大量未标注数据来提高模型的预测能力，这种方法通过构建和利用图结构来发掘数据之间的关系，尤其是基于图的半监督学习，它在处理复杂网络数据时表现出色。 文中深入探讨了图构造的策略，包括如何选择合适的边和节点，以及图核（Graph Kernels）的转换技术，这些都是构建高效图模型的关键。同时，针对半监督学习中可能遇到的不相似信息处理问题，作者也进行了深入研究，以优化算法的性能。 陈文晖的研究着重于如何通过结合不受初始标签影响的聚类算法，如OPTICS（Ordering Points To Identify the Clustering Structure），来降低标签数量和分布对算法效果的影响。这是因为聚类可以帮助发现数据内在的结构，从而减少对标签的依赖。此外，文章还引入了主动学习（Active Learning），这是一种增强学习过程的方法，它通过选择最有价值的数据样本进行标注，进一步提高了学习效率和模型的鲁棒性。 在论文中，作者提出了结合密度聚类和主动学习的基于图的半监督学习算法SOPA（Self-Organizing Propagation Algorithm）。这个算法框架旨在优化半监督学习的过程，减少初始标签对算法性能的影响，提升模型对未知数据的适应性。 这篇硕士学位论文深入研究了基于图的半监督学习算法，通过融合聚类和主动学习策略，提供了一种有效的方法来增强算法在实际问题中的表现。通过实验证明，提出的SOPA算法在减少对初始标签依赖性方面取得了显著效果，展示了半监督学习在面对数据密集型问题时的潜力和优势。