新求解器加速图 $p$-拉普拉斯半监督学习

研究人员开发了一种新颖的图 $p$-拉普拉斯半监督学习求解器，该求解器实现了近线性时间复杂度。这种新方法解决了现有求解器的局限性，尤其是在 $p$ 值较高时系统可能变得病态的问题。通过在 $p$ 中采用连续性方法和阻尼弦牛顿法，该求解器保持了良态系统，与直接分解方法相比，实现了显著的加速和更低的内存使用。该方法在大规模图族和 MNIST 等基准数据集上表现出改进的性能，优于标准的二次方 ($p=2$) 方法。 AI

影响 这项研究为基于图的半监督学习提供了一种更有效的方法，有可能处理更大、更复杂的数据集。

排序理由 该集群包含一篇详细介绍特定机器学习任务新算法方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Chord-Newton
• Dirichlet
• Ferrovie Calabro Lucane
• Graph $p$-Laplacian
• Laplace operator
• MNIST database
• Nadler-Srebro-Zhou
• semi-supervised learning
• SuiteSparse

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →