graph based semi-supervised online learning. Презентация участников
TRANSCRIPT
Graph based semi-supervised online
learningМихаил Камалов <[email protected]>Константин Авраченков <[email protected]>Алексей Мишенин <[email protected]>
Введение1. Постановка задачи2. Решение задачи PageRank3. Graph based semi-supervised online learning4. Эксперименты
2 / 12
Постановка задачиОценка скорости сходимости алгоритмов решающих задачу Page Rank при различных подходах node schedule и инициализации вектора весов.
Оценка скорости сходимости supervise алгоритмов и алгоритмов решающих задачу Page Rank для случая online semi-supervised learning.
3 / 12
Решение задачи PageRank (Page rank)
4 / 12
Решение задачи PageRank (Обозначения)
P /X - стохастическая матрица
d - коэффициент затухания
Z - вектор случайных переходов
x - вектор весов
F - вектор потоков
H - вектор историй
Y - матрица классов
5 / 12
Решение задачи PageRank (Алгоритмы)
Power Iteration
Gauss Seidel
D-iteration
6 / 12
Решение задачи PageRank Node schedule:
1. Round robin2. Argmax3. Markov chain4. Clique
Initialization:
1. нулевой вектор2. monte carlo sampling
7 / 12
Graph based semi-supervised online learningStochastic approximation
8 / 12
Эксперименты (Web-KB)
9 / 12
Эксперименты (Reuters)
10 / 12
ИсточникиСтатьи
http://arxiv.org/pdf/1110.4278v1.pdf
http://arxiv.org/pdf/1501.06350v3.pdf
https://hal.inria.fr/hal-01192871/document
Данные
http://www.daviddlewis.com/resources/testcollections/reuters21578/
http://www.cise.ufl.edu/research/sparse/matrices/index.html11 / 12
Исходникиhttps://github.com/KamalovMikhail/semi_supervise
12 / 12