Semi-Supervised Learning with Max-Margin Graph Cuts

Branislav Kveton 1 Michal Valko 2 Ali Rahimi 3 Ling Huang 4
2 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
Abstract : This paper proposes a novel algorithm for semisupervised learning. This algorithm learns graph cuts that maximize the margin with respect to the labels induced by the harmonic function solution. We motivate the approach, compare it to existing work, and prove a bound on its generalization error. The quality of our solutions is evaluated on a synthetic problem and three UCI ML repository datasets. In most cases, we outperform manifold regularization of support vector machines, which is a state-of-the-art approach to semi-supervised max-margin learning.
Type de document :
Communication dans un congrès
International Conference on Artificial Intelligence and Statistics, May 2010, Chia Laguna, Sardinia, Italy
Liste complète des métadonnées

Littérature citée [12 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00642891
Contributeur : Michal Valko <>
Soumis le : samedi 19 novembre 2011 - 15:08:19
Dernière modification le : jeudi 11 janvier 2018 - 06:22:13
Document(s) archivé(s) le : lundi 20 février 2012 - 02:20:52

Fichier

kveton2010semi-supervised.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00642891, version 1

Collections

Citation

Branislav Kveton, Michal Valko, Ali Rahimi, Ling Huang. Semi-Supervised Learning with Max-Margin Graph Cuts. International Conference on Artificial Intelligence and Statistics, May 2010, Chia Laguna, Sardinia, Italy. 〈hal-00642891〉

Partager

Métriques

Consultations de la notice

298

Téléchargements de fichiers

164