Semi-supervised Penalized Output Kernel Regression for Link Prediction
Semi-supervised Penalized Output Kernel Regression for Link Prediction
复制标题
DOI：
--
复制
发表时间：
2011-06
期刊：
影响因子：
--
通讯作者：
Céline Brouard;Florence d'Alché-Buc;Marie Szafranski
中科院分区：
文献类型：
--
作者：
Céline Brouard;Florence d'Alché-Buc;Marie Szafranski
链接预测通过半监督输出核回归作为输出核学习任务来解决。在向量值函数的RKHS理论框架下，建立了半监督最小二乘回归的一个新的表示定理。然后，我们应用它得到一个新的模型（POKR：惩罚输出核回归），并显示其相关性使用人工网络和两个真实的应用程序上的数值实验中使用一个非常低的百分比标记的数据在一个转导设置。
Link prediction is addressed as an output kernel learning task through semi-supervised Output Kernel Regression. Working in the framework of RKHS theory with vector-valued functions, we establish a new representer theorem devoted to semi-supervised least square regression. We then apply it to get a new model (POKR: Penalized Output Kernel Regression) and show its relevance using numerical experiments on artificial networks and two real applications using a very low percentage of labeled data in a transductive setting.