Bipartite Graph正则

本文将对Bipartite Graph正则方法进行总结。

1.Scalable Semi-Supervised Learning by Efficient Anchor Graph Regularization（2016KDE）

 anchor点利用kmeans 计算，

假设f为标签预测函数

 

 目标函数如下：

2.Fast Semisupervised Learning With Bipartite Graph for Large-Scale Data(2020TNN)

 graph构造方法：

 

 

目标函数如下：

 

 第一项为anchor图正则,第二项为计算得到的标签与原始标签的差异。

2.Fast Semi-Supervised Learning with Optimal Bipartite Graph（2020KED）

与文章1相比，多加了一项对anchor的优化。

3. Efficient and Robust MultiView Clustering With Anchor Graph Regularization（2022TCSVT）

目标函数如下：

 第一项为anchor graph分解（熵范数替代二范数），第二项为图正则。

总结：

1.图正则的方法，利用anchor graph 构造 整体 graph,然后利用整体graph进行图正则；

2.anchor构造方法3种：高斯核kernel度量相似性，利用LLE 重构，利用文章2中的方法进行计算。

未完待续