Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization
Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beihang University（北京航空航天大学）
针对水声船舶信号稀缺且周期性重复导致双重下降的问题，提出基于交叉熵的自适应数据剪枝，并结合带噪样本与KL散度平滑正则化，在低资源场景下显著超越现有方法。
2023-04-24 cs.LG cs.SD eess.AS
Equal Experience in Recommender Systems
KRAFTON Inc.（魁匠团公司）；KAIST（韩国科学技术院）
我们探讨了推荐系统中出现的公平性问题。由于特定群体固有的刻板印象而产生的有偏见的数据（例如，男生对数学的平均评分通常高于人文学科，女生则相反）可能会为某类用户提供有限的建议项目。我们的主要贡献在于引入了一种新的公平概念（我们称之为平等经验），它可以在存在偏见的数据中调节这种不公平。这个概念捕捉了不同群体之间项目推荐的平等体验的程度。我们提出了一个优化框架，采用公平的概念作为一个正规化术语，以及引入计算效率高的算法，解决优化。在合成和基准真实数据集上的实验表明，所提出的框架确实可以减轻这种不公平性，同时显示出推荐准确性的轻微下降。
2022-10-12 cs.IR cs.LG stat.ML
Underwater Acoustic Target Recognition based on Smoothness-inducing Regularization and Spectrogram-based Data Augmentation
Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文针对水下声学目标识别中数据有限且模拟信号易偏离真实场景的问题，提出平滑性诱导正则化和局部掩蔽与复制频谱图增强策略，以提升模型泛化能力并避免性能下降。
2024-04-30 cs.LG cs.SD
Enhancing Mixup-based Semi-Supervised Learning with Explicit Lipschitz Regularization
Rochester Institute of Technology（罗切斯特理工学院）
深度学习的成功依赖于大规模注释数据集的可用性，获取这些数据集的成本可能很高，需要专业的领域知识。半监督学习（SSL）通过利用神经函数在大型未标记数据上的行为来缓解这一挑战。神经函数的平滑性是SSL中常用的假设。一个成功的例子是在SSL中采用混合策略，该策略通过鼓励神经函数在训练样本之间插值时表现线性来加强神经函数的全局平滑性。然而，尽管它在经验上取得了成功，但混淆如何使神经功能正常化的理论基础尚未完全理解。在本文中，我们提供了一个理论上证实的命题，mixup通过限制神经网络的梯度函数的Lipschitz常数来改善神经函数的光滑性。然后，我们建议通过对抗性Lipschitz正则化同时约束神经函数本身的Lipschitz常数来加强这一点，鼓励神经函数线性行为，同时约束该线性函数的斜率。在三个基准数据集和一个真实世界的生物医学数据集上，我们证明了这种组合正则化在从少量标记数据中学习时可以提高SSL的泛化性能。我们进一步证明了所提出的方法对单步对抗攻击的鲁棒性。我们的代码可在https://github.com/Prasanna1991/Mixup-LR上获得。
2020-09-23 cs.LG stat.ML
Soft Smoothness for Audio Inpainting Using a Latent Matrix Model in Delay-embedded Space
Nagoya Institute of Technology（名古屋工业大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本文提出了一种新的平滑时间序列信号重构方法。本研究的一个关键概念是不考虑信号空间中的模型，而是考虑延迟嵌入空间。换句话说，我们间接地将时间序列信号表示为矩阵的逆延迟嵌入的输出，并且矩阵是受约束的。基于逆延迟嵌入下的模型，我们提出用光滑因子向量约束矩阵为秩1。该模型与卷积模型和二次变分（QV）正则化密切相关。特别地，所提出的方法可以表征为QV正则化的推广。此外，我们表明，该方法提供了软光滑比QV正则化。通过音频修复和去唇的实验，与现有的几种插值方法和稀疏建模方法进行了比较，证明了该方法的优越性。
2022-03-18 cs.LG cs.SD eess.AS
Session-based Recommender Systems: User Interest as a Stochastic Process in the Latent Space
Wroclaw Centre for Networking and Supercomputing（弗罗茨瓦夫网络与超级计算中心）
本文针对基于会话的推荐系统的数据不确定性、流行度偏差和曝光偏差问题，提出将用户兴趣视为潜在空间中的随机过程并给出模型无关实现，通过物品嵌入去偏、会话兴趣建模和假目标引入等策略，在多个数据集上验证了其缓解偏差的效果。
2025-04-14 cs.AI cs.IR cs.LG
Regularizing Semi-supervised Graph Convolutional Networks with a Manifold Smoothness Loss
Curtin University（科廷大学）
现有的图卷积网络集中在邻域聚合方案。当应用于半监督学习时，由于网络是在一小部分标记数据上进行交叉熵损失训练的，因此经常会遇到过拟合问题。在本文中，我们提出了一个无监督的流形光滑损失定义的图结构，它可以添加到损失函数作为正则化。我们画出了建议的损失与迭代扩散过程之间的连接，并表明，最大限度地减少损失相当于聚合邻居预测与无限层。我们在多层感知器和现有的图网络上进行了实验，并证明了增加建议的损失可以始终如一地提高性能。
2020-02-11 cs.LG stat.ML
Higher-Order Action Regularization in Deep Reinforcement Learning: From Continuous Control to Building Energy Management
Centre for Computational Science and Mathematical Modelling（计算科学与数学建模中心）；Coventry University（科文特大学）
本研究提出高阶动作正则化方法，通过优化连续控制和建筑能耗管理，实现更平滑的动作策略，减少设备切换并提升实际应用效果。
2026-01-05 cs.AI cs.LG
Asymptotic behavior of $\ell_p$-based Laplacian regularization in semi-supervised learning
UC Berkeley（加州大学伯克利分校）
给定一个带有$N$顶点的加权图，考虑半监督设置中的实值回归问题，其中观察$n$标记的顶点，任务是标记剩余的顶点。在$d$维几何随机图模型下，对基于$\ell_p$的拉普拉斯正则化进行了理论研究.当$N$增长到无穷大而$n$保持不变时，我们提供了这个正则化学习器的性能的变分表征，相关的最优性条件导致必须由相关函数估计$\hat{f}$满足的偏微分方程。从这个公式中，我们得到了几个预测的限制行为$d$维函数$\hat{f}$，包括（a）在阈值$p = d + 1$的平滑度的相变，和（b）平滑度和敏感性之间的权衡底层未标记的数据分布$P$。因此，在范围$p \leq d$上，函数估计$\hat{f}$是退化的和“尖峰的”，而对于$p\geq d+1$，函数估计$\hat{f}$是平滑的。我们发现，潜在的密度的影响单调消失与$p$，使在极限$p = \infty$，对应于所谓的绝对最小Lipschitz扩展，估计$\hat{f}$是独立的分布$P$。在半监督平滑假设下，忽略$P$会导致统计性能下降，特别是，我们构造了一个具体的$d=1$的例子来证明$p=2$比$p=\infty$具有更低的风险，因为前者的惩罚适应$P$，后者忽略它，我们还提供了模拟，验证了我们的预测精度有限的样本量.总之，这些性质表明，$p = d+1$是一个最佳的选择，产生一个函数估计$\hat{f}$，这是光滑和非退化…
2016-03-02 cs.LG stat.ML
Benchmarking Smoothness and Reducing High-Frequency Oscillations in Continuous Control Policies
Inventec Corporation（英业达股份有限公司）
本文针对深度强化学习策略的高频振荡问题，系统比较损失正则化与架构方法，并提出混合方法，在多个仿真及真实机器人任务上实现控制平滑性提升26.8%且性能退化仅2.8%。
2024-10-22 cs.LG cs.RO
Noise Regularization for Conditional Density Estimation
ETH Zurich（苏黎世联邦理工学院）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
在许多情况下，对条件均值之外的统计关系进行建模至关重要。条件密度估计（CDE）的目的是从数据中学习完整的条件概率密度。尽管基于CDE模型的神经网络具有高度表达性，但在使用极大似然目标进行训练时，会遭受严重的过拟合。由于这些模型的固有结构，在参数空间中的经典正则化方法变得无效。为了解决这个问题，我们为CDE开发了一种模型无关的噪声正则化方法，该方法在训练过程中向数据添加随机扰动。我们证明了所提出的方法对应于光滑正则化，并证明了其渐近一致性。在我们的实验中，噪声正则化在七个数据集和三个CDE模型上显著且一致地优于其他正则化方法。噪声正则化的有效性使得基于神经网络的CDE优于以前的非参数和半参数方法，即使在训练数据很少的情况下。
2020-02-14 cs.LG stat.ML
Framework for Designing Filters of Spectral Graph Convolutional Neural Networks in the Context of Regularization Theory
Indian Institute of Space Science and Technology（印度空间科学与技术研究所）
图卷积神经网络（GCNN）在图学习中得到了广泛的应用。已经观察到，图上的光滑度泛函可以根据图拉普拉斯算子来定义。这一事实指出了在图上使用拉普拉斯算子推导正则化算子的方向，以及随后在谱GCNN滤波器设计中的使用。在这项工作中，我们探索了图拉普拉斯算子的正则化性质，并提出了一个广义框架，用于谱GCNN中的正则化滤波器设计。我们发现，在许多最先进的GCNN中使用的滤波器可以作为我们开发的框架的特殊情况导出。我们设计了与定义良好的正则化行为相关联的新过滤器，并在半监督节点分类任务上测试了它们的性能。他们的表现被认为是优于其他国家的最先进的技术。
2020-09-29 cs.LG stat.ML
A Soft Recommender System for Social Networks
Islamic Azad University（伊斯兰阿扎德大学）
最近的社交推荐系统受益于友谊图来做出准确的推荐，相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法（如K-means），以确定用户之间的相似性，从而定义的友谊程度。在本文中，我们更进一步地识别真正的朋友，以便提出更现实的建议。我们计算了用户之间的相似性，以及用户和项目之间的依赖性。我们的假设是，由于用户偏好的不确定性，模糊聚类，而不是经典的硬聚类，是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后，根据软聚类定义用户的相似性度量。随后，在训练方案中，我们确定了用户和项目的潜在表示，使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中，我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明，所提出的模糊相似性度量提高了实际数据中的建议相比，基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
On Geometry Regularization in Autoencoder Reduced-Order Models with Latent Neural ODE Dynamics
Independent Researcher, Italy（意大利独立研究者）
本文研究了自动编码器降阶模型中几何正则化策略的影响，发现Stiefel投影在改善潜在动态条件和滚动性能方面表现更优。
2026-03-03 cs.LG cs.NA math.NA
Stochastic Shared Embeddings: Data-driven Regularization of Embedding Layers
University of California, Davis（加利福尼亚大学戴维斯分校）；University of California, Los Angles（加利福尼亚大学洛杉矶分校）
在深度神经网络中，较低级别的嵌入层占参数总数的很大一部分。Tikhonov正则化、基于图的正则化和硬参数共享是在训练中引入显式偏差以降低统计复杂性的方法。或者，我们提出了随机共享嵌入（SSE），这是一种数据驱动的正则化嵌入层的方法，它在随机梯度下降（SGD）过程中随机转换嵌入之间的转换。由于SSE与现有的SGD算法无缝集成，因此在训练大规模神经网络时只需进行较小的修改即可使用。我们开发了两个版本的SSE：SSE-图使用知识图谱的嵌入; SSE-SE使用没有先验信息。我们为我们的方法提供了理论保证，并在6个不同的任务上显示了其经验有效性，从推荐系统中具有一个隐藏层的简单神经网络，到自然语言中的Transformer和BERT。我们发现，当与广泛使用的正则化方法（如权重衰减和dropout）一起使用时，我们提出的SSE可以进一步减少过拟合，这通常会导致更有利的泛化结果。
2020-10-03 cs.LG stat.ML
Guaranteed Tensor Recovery Fused Low-rankness and Smoothness
School of Mathematics and Statistics, Southwest University（西南大学数学与统计学院）；Macau Institute of Systems Engineering, Macau University of Science and Technology（澳门科技大学澳门系统工程研究所）
针对现有融合低秩性与光滑性的张量恢复方法缺乏理论保证的问题，本研究构建了可同时编码两种先验的单一正则化项，首次证明了张量补全与鲁棒主成分分析任务的精确恢复保证，且在高缺失率等场景下性能显著优于现有最优方法。
2023-02-04 cs.AI cs.CV cs.LG
A Compositional Model of Multi-faceted Trust for Personalized Item Recommendation
University of Torino（都灵大学）
基于信任的推荐系统通过利用用户之间的信任网络提供的附加信息来处理冷启动问题，从而改善了关于协同过滤的评级预测。然而，最近的研究对他们提出了挑战，根据这些研究，人们普遍认为使用有关社会关系的数据侵犯了他们自己的隐私。为了解决这个问题，我们扩展了基于信任的推荐系统与信任的额外证据，基于公共匿名信息，我们使它们可配置的数据，可以在给定的应用领域：1 -我们提出了多方面的信任模型（MTM）定义用户之间的信任组合的方式，可能包括或排除它所包含的信息类型。MTM灵活地将社交链接与通过社交网络中的用户简档和用户贡献接收的公共匿名反馈相结合。2 -我们提出了LOCABAL+，基于MTM，它扩展了LOCABAL基于信任的推荐系统与多方面的信任和基于信任的社会正则化。在两个公开的项目评论数据集上进行的实验表明，在用户覆盖率略有下降的情况下，LOCABAL+在准确性、项目排名和错误最小化方面都优于最先进的基于信任的推荐系统和协同过滤系统，无论是在使用关于信任的完整信息时，还是在忽略社会关系时。因此，MTM与LOCABAL+的组合代表了一个有前途的替代国家的最先进的基于信任的推荐系统。
2019-09-04 cs.IR cs.LG
Batch Size or Negatives? A Selection Rule for Memory-Constrained Recommender Training
Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究院）；Intellectual data analysis and predictive modeling institute（智能数据分析与预测建模研究院）；Applied AI Institute（应用人工智能研究院）；Risk department（风险部门）
该研究针对内存受限的推荐系统训练，分析固定内存预算下批量大小与负样本数量的权衡，提出优先扩大批量的选择规则，经实验验证可提升收敛速度与推荐质量。
2026-08-12 cs.LG
Tangent-Space Regularization for Neural-Network Models of Dynamical Systems
LCCC Linnaeus Center（LCCC 林纳尤斯中心）
本文提出神经网络动力系统模型的切空间正则化方法，通过利用动力学函数的切空间特性，改进模型雅可比矩阵的正则化，减少对大量训练数据的依赖，并探讨不同网络架构对输入输出雅可比矩阵学习能力及L2正则化对系统稳定性的影响。
2018-06-26 cs.LG cs.SY eess.SY
Adversarial Deformation Regularization for Training Image Registration Neural Networks
University College London（伦敦大学学院）；University of Oxford（牛津大学）
我们描述了一种对抗性学习方法来约束图像配准的卷积神经网络训练，取代这些任务中经常使用的位移场的启发式平滑度测量。使用微创前列腺癌介入作为示例应用程序，我们证明了利用生物力学模拟来调节弱监督解剖标签驱动的配准网络的可行性，该配准网络用于对齐术前磁共振（MR）和3D术中经直肠超声（TRUS）图像。优化了一个神经网络，以区分配准预测的位移场与有限元分析模拟的运动数据。在训练过程中，配准网络同时旨在最大化驱动图像对齐的解剖标签之间的相似性，并最小化测量预测变形和模拟变形之间的差异的对抗性生成器损失。端到端的训练网络能够实现高效和全自动的配准，仅需要MR和TRUS图像对作为输入，而无需解剖标签或推理期间的模拟数据。本研究使用了来自76名前列腺癌患者的108对标记的MR和TRUS图像以及来自143名不同患者的71，500个非线性有限元模拟。我们表明，只有腺体分割作为训练标签，所提出的方法可以帮助预测物理上合理的变形，而没有任何其他平滑惩罚。基于使用834对独立验证地标的交叉验证实验，所提出的对抗正则化配准实现了6.3 mm的目标配准误差，这显著低于其他几种正则化方法。
2018-05-27 cs.CV cs.LG stat.ML
A Cooperative Autoencoder for Population-Based Regularization of CNN Image Registration
Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所）；School of Computing, University of Utah（犹他大学计算学院）
空间变换是各种医学图像分析应用中的使能器，其需要将图像对准到公共坐标系。对这种变换的群体分析预计将捕获潜在的图像和形状变化，因此需要这些变换来产生解剖学上可行的对应关系。这通常通过对变形场进行基于平滑度的通用正则化来实现。或者，基于群体的正则化已经被证明在解剖学上不知道（即，数据独立）失败。最近，深度网络已经用于无监督图像配准，这些方法在计算上更快，并且保持了最先进方法的准确性。然而，这些网络在变形场上使用平滑惩罚，并忽略了变换的人口水平统计。我们提出了一种新的神经网络架构，同时学习和使用人口水平的空间变换的统计来规范的神经网络的无监督图像配准。这种正则化的形式是一个瓶颈自动编码器，它编码的人口水平的信息的变形领域在一个低维流形。所提出的架构产生的变形场，描述人口水平的功能和相关的对应关系在解剖学上相关的方式，并在统计上紧凑相对于国家的最先进的方法，同时保持计算效率。我们证明了所提出的架构上的合成数据集，以及二维和三维医疗数据的功效。
2019-08-19 cs.CV cs.LG
Wasserstein Adversarial Regularization (WAR) on label noise
University Bretagne Sud（布列塔尼南部大学）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；IRISA（法国信息与自动化系统研究所）；InterDigital R&D（InterDigital研发中心）；Université de Paris（巴黎大学）；Wageningen University（瓦赫宁根大学）；École Polytechnique（巴黎综合理工学院）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
噪声标签经常出现在视觉数据集中，特别是当它们从众包或Web抓取中获得时。我们提出了一种新的正则化方法，使学习鲁棒的分类器存在噪声数据。为了实现这一目标，我们提出了一种新的基于Wasserstein距离的对抗正则化方案。使用该距离允许通过利用标签空间的几何属性来考虑类之间的特定关系。我们的Wasserstein对抗正则化（WAR）编码选择性正则化，这促进了一些类之间的分类器的平滑性，同时保留了其他类之间决策边界的足够复杂性。我们首先讨论了如何以及为什么对抗正则化可以在标签噪声的背景下使用，然后展示了我们的方法在五个被噪声标签破坏的数据集上的有效性：在基准测试和真实数据集中，WAR都优于最先进的竞争对手。
2021-06-29 cs.CV cs.LG stat.ML
Modeling User Exploration Saturation: When Recommender Systems Should Stop Pushing Novelty
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Kansas State University（堪萨斯州立大学）
研究探讨了用户依赖的探索饱和现象，分析了增加探索对不同推荐模型用户的影响，发现公平性驱动的探索存在边际效益递减，需调整推荐系统以平衡公平与用户体验。
2026-04-02 cs.AI cs.IR cs.LG
On Linear Stability of SGD and Input-Smoothness of Neural Networks
Stanford University（斯坦福大学）
探讨了神经网络第一层中参数和输入数据的乘法结构，以建立损失函数相对于参数的景观和模型函数相对于输入数据的景观之间的连接。通过这种联系，它表明，平坦极小正则化的梯度的模型函数，这解释了良好的推广性能的平坦极小。然后，我们超越了平坦性，并考虑高阶矩的梯度噪声，并表明，随机梯度下降（SGD）往往施加约束，这些时刻的线性稳定性分析SGD周围的全球最小值。与乘法结构一起，我们确定了SGD的Sobolev正则化效应，即SGD正则化了模型函数关于输入数据的Sobolev范数。最后，泛化误差和对抗性鲁棒性的范围内提供的SGD发现的解决方案的假设下的数据分布。
2021-11-28 cs.LG
Robust Post-Training for Generative Recommenders: Why Exponential Reward-Weighted SFT Outperforms RLHF
本文提出指数奖励加权SFT方法，通过直接优化观测奖励，有效解决生成推荐系统中的鲁棒性训练问题，理论和实验证实其在噪声环境下的优越性能。
2026-03-10 cs.LG
Topological Regularization via Persistence-Sensitive Optimization
Computational Research Division, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室计算研究部）
优化是机器学习和统计学中的关键工具，它依赖于正则化来减少过拟合。传统的正则化方法控制解的范数以保证其光滑性。最近，拓扑方法已经成为一种提供更精确和更有表现力的控制解决方案的方式，依赖于持久的同源性来量化和减少其粗糙度。所有这些现有的技术都通过持久性图反向传播梯度，持久性图是函数拓扑特征的总结。它们的缺点是只在函数的关键点提供信息。我们提出了一种方法，而不是建立在持久性敏感的简化和持久性图的变化转化为大型子集的域，包括关键点和常规点。这种方法可以实现更快，更精确的拓扑正则化，我们用实验证据说明了它的好处。
2020-11-10 cs.LG math.AT
Deep Learning for Regularization Prediction in Diffeomorphic Image Registration
University of Virginia（弗吉尼亚大学）
本文提出了一种用于自同构图像配准正则化参数估计的预测模型。我们介绍了一种新的框架，自动确定控制光滑的非纯变换的参数。我们的方法显着减少了参数调整的努力，这是耗时耗力的。为了实现这一目标，我们开发了一个基于深度卷积神经网络（CNN）的预测模型，该模型学习成对图像之间的映射和图像配准的正则化参数。与以前在高维图像空间中估计这些参数的方法相反，我们的模型建立在一个有效的带限空间中，具有低得多的维度。我们证明了我们的模型在2D合成数据和3D真实脑图像上的有效性。实验结果表明，我们的模型不仅预测适当的正则化参数的图像配准，但也提高了网络训练的时间和内存效率。
2022-02-04 cs.CV cs.LG eess.IV
A Quantitative Geometric Approach to Neural-Network Smoothness
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；The Chinese University of Hong Kong（香港中文大学）
快速精确地估计神经网络的Lipschitz常数是深度学习的重要任务。研究人员最近发现，神经网络的准确性和平滑性之间存在内在的权衡，因此使用松散的Lipschitz常数估计来训练网络会带来很强的正则化，并且会显着损害模型的准确性。在这项工作中，我们提供了一个统一的理论框架，一个定量的几何方法，来解决Lipschitz常数估计。通过采用这个框架，我们可以立即得到几个理论结果，包括Lipschitz常数估计的计算难度和它的逼近性。此外，定量几何的角度也可以提供一些见解，最近的经验观察，一个规范的技术通常不会转移到另一个。我们还实现了从这种定量几何方法在一个工具GeoLIP的算法。这些算法是基于半定规划（SDP）。我们的实证评估表明，GeoLIP是更可扩展的和精确的比现有的工具Lipschitz常数估计$\ell_\infty$扰动。此外，我们还展示了它与其他最近的基于SDP的技术，无论是理论上还是经验上的错综复杂的关系。我们相信，这种统一的定量几何视角可以为神经网络的平滑性和鲁棒性的研究带来新的见解和理论工具。
2022-10-10 cs.LG
Semi-supervised Learning with Explicit Relationship Regularization
Lancaster University（兰卡斯特大学）；Harvard SEAS（哈佛大学工程与应用科学学院）；MPI for Informatics（马克斯·普朗克信息学研究所）
在许多学习任务中，函数的目标空间的结构包含关于不同数据点上函数的评估之间的关系的丰富信息。现有的方法试图利用这种关系的信息隐含地强制平滑功能的评价。然而，如果我们显式地正则化函数求值之间的关系，会发生什么？受同质性的启发，我们基于一个平滑的关系函数进行正则化，该函数可以从数据中定义，也可以使用标签。在实验中，我们证明，这显着提高了最先进的算法在半监督分类和光谱数据嵌入约束聚类和降维的性能。
2016-02-11 cs.CV cs.LG
