Gaussian fields for semi-supervised regression and correspondence learning

Abstract : Gaussian fields (GF) have recently received considerable attention for dimension reduction and semi-supervised classification. In this paper we show how the GF framework can be used for semi-supervised regression on high-dimensional data. We propose an active learning strategy based on entropy minimization and a maximum likelihood model selection method. Furthermore, we show how a recent generalization of the LLE algorithm for correspondence learning can be cast into the GF framework, which obviates the need to choose a representation dimensionality.
Type de document :
Article dans une revue
Pattern Recognition, Elsevier, 2006, 39, pp.1864 - 1875. 〈10.1016/j.patcog.2006.04.011〉
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger


https://hal.inria.fr/inria-00321133
Contributeur : Jakob Verbeek <>
Soumis le : mercredi 16 février 2011 - 16:32:45
Dernière modification le : mercredi 29 novembre 2017 - 14:49:18
Document(s) archivé(s) le : mardi 6 novembre 2012 - 14:01:19

Fichiers

verbeek05pr_final.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Citation

Jakob Verbeek, Nikos Vlassis. Gaussian fields for semi-supervised regression and correspondence learning. Pattern Recognition, Elsevier, 2006, 39, pp.1864 - 1875. 〈10.1016/j.patcog.2006.04.011〉. 〈inria-00321133〉

Partager

Métriques

Consultations de la notice

575

Téléchargements de fichiers

319