Structured sparse graphs using manifold constraints for visual data analysis

نمودارهای مبتنی بر داده، سنگ بنای بسیاری از روشهای یادگیری ماشین است. به تازگی، نشان داده شده است که نمودارهای نزولی (نمودارهای مبتنی بر نمایندگی نادر) یک رویکرد قدرتمند برای طبقه بندی نیمه نظارت مبتنی بر گراف است. در این مقاله، گراف جدیدی ساختاری جدیدی را معرفی می کنیم که از طریق یکپارچه سازی محدودیت های نوع چندجملهای بر ضرایب ضعیف بدون هیچ یک از گراف های پیشین یا ماتریس شباهت مشتق می شود. علاوه بر این، ما یک راه حل مستقیم و کارآمد برای مسئله بهینه سازی ارائه شده ارائه می دهیم. بر خلاف روش های اخیر ساخت گرافیک ضعیف که بر اساس استفاده از محدودیت های دستی و یا یک ماتریس شباهت مرجع از پیش تعریف شده است، محدودیت های ما به طور مستقیم بر روی وزن های گراف خود تعریف می شود و می تواند اطلاعات بیشتری را به ساختار محلی و جهانی گراف نقاشی . آزمایشات انجام شده در چندین پایگاه داده تصویری نشان می دهد که گراف پیشنهادی می تواند نتایج بهترتری نسبت به بسیاری از نمودارهای پرتوی پیشرفته ای که در مورد مسئله پخش برچسب بر اساس گراف به کار برده می شود، ارائه دهد.