Semi-supervised learning with Gaussian fields

Abstract : Gaussian fields (GF) have recently received considerable attention for dimension reduction and semi-supervised classification. This paper presents two contributions. First, we show how the GF framework can be used for regression tasks on high-dimensional data. We consider an active learning strategy based on entropy minimization and a maximum likelihood model selection method. Second, we show how a recent generalization of the Locally Linear Embedding algorithm for correspondence learning can also be cast into the GF framework, which obviates the need to choose a representation dimensionality.
Type de document :
Rapport
[Technical Report] IAS-UVA-05, 2005, pp.20
Liste complète des métadonnées

Littérature citée [21 références]  Voir  Masquer  Télécharger


https://hal.inria.fr/inria-00321480
Contributeur : Jakob Verbeek <>
Soumis le : mardi 5 avril 2011 - 14:49:23
Dernière modification le : lundi 25 septembre 2017 - 10:08:04
Document(s) archivé(s) le : mercredi 6 juillet 2011 - 02:56:25

Fichiers

verbeek05tr.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00321480, version 2

Collections

Citation

Jakob Verbeek, Nikos Vlassis. Semi-supervised learning with Gaussian fields. [Technical Report] IAS-UVA-05, 2005, pp.20. 〈inria-00321480v2〉

Partager

Métriques

Consultations de la notice

166

Téléchargements de fichiers

203