Etiket Yayılımı
Label Propagation (Graph-Based Semi-Supervised Learning) · Ayrıca şöyle bilinir: LP, label spreading, graph-based semi-supervised learning, harmonic label propagation
Etiket Yayılımı, 2002'de Zhu ve Ghahramani tarafından tanıtılan, etiketli bir düğüm kümesinden etiketlenmemiş geniş bir düğüm kümesine sınıf etiketlerini yayan, benzerlik grafiğinin kenarları boyunca etiket bilgisini yinelemeli olarak yayan, verinin manifold yapısından yararlanan bir grafik tabanlı yarı denetimli öğrenme algoritmasıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+16 tane daha
Ne zaman kullanılır
Etiket Yayılımı, etiketlenmiş örneklerin toplam veri kümesi boyutuna göre az olduğu, verinin benzerlik grafiğinin yakalayabileceği bir küme veya manifold yapısına sahip olduğu ve düzgünlük varsayımının geçerli olduğuna inanmak için bir neden olduğu durumlarda uygundur — yani, yakın noktaların (özellik uzayında) aynı etiketi paylaşma eğiliminde olduğu durumlarda. Tipik senaryolar arasında az sayıda etiketlenmiş belge ile metin sınıflandırması, seyrek insan etiketleri ile görüntü sınıflandırması ve ağ düğümü sınıflandırması yer alır. Yöntem, grafiğin bağlı olmasını (veya en azından her etiketlenmemiş düğümün etiketlenmiş bir düğümden ulaşılabilir olmasını) gerektirir. Özellik uzayının anlamsal benzerliği yansıtmadığı, karar sınırının yoğun bölgelerden geçtiği veya tüm verilerin zaten etiketlenmiş olduğu durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Etiketlenmemiş verilerden etkili bir şekilde yararlanır, çok az etiketlenmiş örnekle güçlü doğruluk sağlar.
- Kapalı form yakınsama garantisi: yinelemeli güncelleme her zaman benzersiz bir sabit noktaya ulaşır.
- Çok sınıflı problemleri modifikasyon olmaksızın doğal olarak ele alır.
- Grafik yayılımı ve harmonik analize dayanan sezgisel geometrik yorum.
- Grafik oluşturma seçimlerinin (çekirdek bant genişliği, komşuluk boyutu) ötesinde optimize edilecek model parametresi yoktur.
- Ölçeklenebilirlik: n x n ağırlık matrisini depolamak ve üzerinde işlem yapmak, seyrek yaklaşımlar olmadan büyük veri kümeleri için imkansızdır.
- Grafik oluşturma, çekirdek bant genişliği sigma ve komşuluk boyutu k'nin seçimine duyarlıdır; kötü seçimler doğruluğu önemli ölçüde düşürür.
- Düzgünlük (küme) varsayımını varsayar: bunu ihlal etmek — karar sınırları yoğun bölgelerden geçtiğinde — sistematik yanlış sınıflandırmaya yol açar.
- Varsayılan olarak transdüktif: yeni, görülmemiş test noktaları için tahminler, algoritmayı yeniden çalıştırmayı veya endüktif bir uzantıyı gerektirir.
- Etiketlenmiş az sayıdaki düğümdeki etiket gürültüsü yayılır ve grafiğin büyük bir kısmını bozabilir.
SSS
Etiket Yayılımı ile Etiket Yayılımı arasındaki fark nedir?
Zhou ve ark. (2004) tarafından önerilen Etiket Yayılımı, her düğümün başlangıç etiketini ne kadar koruduğunu komşularının etiketlerini ne kadar benimsediğini kontrol eden bir düzenlileştirme parametresi alfa'yı tanıtır. Klasik Etiket Yayılımı'nda etiketlenmiş düğümler katı bir şekilde sabitlenir, onları tamamen emici hale getirir. Etiket Yayılımı, etiket gürültüsüne karşı daha sağlam olmasını sağlayan, ancak bir ek hiperparametre maliyetiyle, etiketlenmiş düğümlerin kısmen geçersiz kılınmasına izin verir.
Etiket Yayılımı büyük veri kümelerine ölçeklenir mi?
Naif kapalı form çözümü, bir (n_U x n_U) matrisini tersine çevirmeyi gerektirir, bu da büyük n için imkansızdır. Pratikte, seyrek bir k-en yakın komşu veya epsilon-yarıçaplı grafik belleği O(nk)'ye düşürür ve ardından yinelemeli güncelleme, yineleme başına kenar sayısı ile kabaca doğrusal olarak ölçeklenir. Çok büyük grafikler için yaklaşık en yakın komşu yöntemleri ve mini-yığın varyantları kullanılır.
Kaç etiketlenmiş örneğe ihtiyaç vardır?
Etiket Yayılımı özellikle aşırı düşük etiketli rejim için tasarlanmıştır. Grafik yapısı sınıf sınırlarıyla uyumluysa, sınıflar başına tek bir etiketlenmiş düğüm bile anlamlı tahminler üretebilir, ancak güvenilirlik için sınıflar başına en az birkaç etiketlenmiş örneğe sahip olmak şiddetle tavsiye edilir. Performans, etiket gürültüsü arttıkça veya grafik sınıf üyeliği hakkında daha az bilgilendirici hale geldikçe düşer.
Etiket Yayılımı yeni, görülmemiş veri noktalarında tahmin yapabilir mi?
Standart transdüktif biçiminde, hayır — algoritma sabit bir grafik üzerinde çalışır ve bu grafiğin dışında tahmin yapmak için bir mekanizması yoktur. Endüktif kullanım için yaygın bir yaklaşım, yeni noktaları mevcut grafikteki k-en yakın komşularına bağlamak ve kısmi bir yayılım adımı çalıştırmak veya ikinci bir aşama olarak standart bir denetimli sınıflandırıcıyı eğitmek için yakınsamış etiket matrisini kullanmaktır.
Kaynaklar
- Zhu, X., & Ghahramani, Z. (2002). Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, Carnegie Mellon University. link ↗
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML-2003), pp. 912–919. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Label Propagation (Graph-Based Semi-Supervised Learning). ScholarGate. https://scholargate.app/tr/machine-learning/label-propagation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Graf Sinir AğıAğ analizi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Spektral KümelemeMakine öğrenmesi↔ karşılaştır