स्ट्रीमिंग अनुमान के उपयोग से बड़े पैमाने पर वितरित सेमी-सुपरवाइज्ड लर्निंग

पारंपरिक ग्राफ-आधारित सेमी-सुपरवाइज्ड लर्निंग (SSL) दृष्टिकोण, भले ही व्यापक रूप से लागू किए गए हों, बड़े डेटा और बड़े लेबल के लिए उपयुक्त नहीं हैं क्योंकि यह किनारे |E| और विशिष्ट m की संख्या के साथ रैखिक रूप से बढ़ता है। बड़े लेबल आकार की समस्या से निपटने के लिए, हालिया कार्यों ने विधियों का प्रस्ताव दिया है जो प्रत्येक नोड पर लेबल पर वितरण का अनुमान लगाने के लिए आधारित हैं, जिससे O(m) से O(\ m) तक स्थान में कमी आती है, कुछ शर्तों के तहत। इस पत्र में, हम एक नवीनतम स्ट्रीमिंग ग्राफ-आधारित SSL प्रस्तुत करते हैं जो लेबल वितरण की बिखराव को पकड़ता है और सुनिश्चित करता है कि एल्गोरिदम सटीक रूप से लेबलों का प्रसार करता है, और प्रति नोड जगह को O(1) तक और कम करता है। हम बड़े डेटा आकारों के लिए अच्छी तरह से स्केल करने वाले वितरित संस्करण भी प्रदान करते हैं। वास्तविक दुनिया पर प्रयोग यह दर्शाते हैं कि नई विधि मौजूदा उत्कृष्ट एल्गोरिदम की तुलना में बेहतर प्रदर्शन प्राप्त करती है, जिसमें मेमोरी में महत्वपूर्ण कमी होती है। हम प्राकृतिक अनुप्रयोगों के लिए विभिन्न ग्राफ निर्माण तंत्रों का अध्ययन भी करते हैं और एक मजबूत ग्राफ संवर्धन रणनीति का प्रस्ताव देते हैं जो मौजूदा उत्कृष्ट अवशिक्षित गहरी शिक्षण आर्किटेक्चर को प्रशिक्षित करती है जो महत्वपूर्ण गुणवत्ता लाभ देती है।