온라인 스펙트럴 그래프 희소화를 활용한 대규모 반지도 학습
요약
본 논문은 온라인 스펙트럴 그래프 희소화(Online Spectral Graph Sparsification)를 활용하여 대규모 반지도 학습(Semi-Supervised Learning, SSL) 문제를 해결하는 확장 가능한 알고리즘인 Sparse-HFS를 제안합니다. 이 알고리즘은 O(n polylog(n))의 공간 복잡도와 O(m polylog(n))의 시간 복잡도로 SSL 문제를 처리할 수 있어 대규모 데이터셋 환경에 적합합니다.
핵심 포인트
- 대규모 반지도 학습(SSL) 문제 해결을 위한 새로운 알고리즘 'Sparse-HFS'를 제안함.
- 온라인 스펙트럴 그래프 희소화 기법을 활용하여 효율성을 극대화함.
- 공간 복잡도는 O(n polylog(n)), 시간 복잡도는 O(m polylog(n))으로 매우 확장성이 높음.
- 이러한 낮은 복잡도는 대규모 데이터셋 환경에서 SSL 적용 가능성을 크게 향상시킴.
컴퓨터 과학 > 기계 학습
제목: 온라인 스펙트럴 그래프 희소화를 활용한 대규모 반지도 학습
PDF 보기 HTML(실험용) 추상: 우리는 O(n polylog(n))의 공간과 O(m polylog(n))의 시간만 사용하여 SSL 문제를 해결할 수 있는 확장 가능한 알고리즘인 Sparse-HFS를 소개합니다.
참고문헌 및 인용 도구
이 논문과 관련된 코드, 데이터, 미디어
데모
추천 시스템 및 검색 도구
arXivLabs: 커뮤니티 협력자와 함께 실험하는 프로젝트
arXivLabs 는 협력자들이 우리 웹사이트에서 직접 새로운 arXiv 기능을 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs 와 함께 일하는 개인과 조직은 개방성, 공동체, 우수성, 사용자 데이터 프라이버시라는 우리의 가치를 수용하고 받아들였습니다. arXiv 는 이러한 가치에 헌신하며, 해당 가치에 부합하는 파트너와만 협력합니다.
arXiv 의 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs 에 대해 자세히 알아보기.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기6