用于高效标签传播的代数多重网格加速

摘要

arXiv:2608.26309v1 Announce Type: new Abstract: Modern machine learning models rely on large amounts of labeled data. However, manual annotation of large-scale datasets is expensive and time-consuming...

and large spreading that label labeled scale datasets AMELS the

2026-08-28 1 阅读约1分钟阅读 Antonia van Betteray, Jonathan Klees, Miriam Sch\"afers, Matthias Rottmann

arXiv:2608.26309v1 公告类型：新摘要：现代机器学习模型依赖于大量标记数据。然而，大规模数据集的手动注释既昂贵又耗时。标签传播是一种半监督学习技术，它通过将信息从一些标记示例传播到更大的未标记数据池来解决这一挑战。尽管它很有效，但其在大规模、高维数据集上的应用受到计算成本和内存限制的限制。为了解决这些限制，我们提出了高效标签传播的代数多重网格加速（AMELS），这是一种高效的标签传播框架，通过快速构建邻域图和结合代数多重网格求解器来提高可扩展性。后者是一个迭代求解器，它取代了通常在标签传播中执行的普通随机游走迭代。由于代数多重网格求解器的多级性质，AMELS 在单个多重网格循环中将给定的标签信息传播到任意大小的图上。我们证明，与现有实现相比，AMELS 显着减少了运行时间，同时在运行时间和分类准确性方面对超参数选择也更加稳健。因此，我们的框架能够在大规模图像数据集上进行有效的标签传播，即使只有少数标记样本可用，也能产生准确的标签。

订阅66必读