大图学习：基于锚层次的标签推断与正则化

为应对快速增长的数据规模，提出了几种模型，如锚图正则化（AGR）。AGR 方法通过探索一组锚点，显著加速了基于图的学习。然而，当数据集变得庞大时，AGR 仍面临一个大图，这带来了显著增加的计算成本。为了解决这个问题，我们提出了一种新的层级锚图正则化（HAGR）方法，通过探索金字塔式结构的多层锚点。在 HAGR 中，数据点的标签是从最粗的锚层逐层推断的，采用由粗到细的方式。对所有数据点进行标签光滑性正则化，我们展示了优化过程仅涉及小规模的简化拉普拉斯矩阵。我们还引入了一种快速构建层级锚图的方法，基于近似最近邻搜索技术。对百万规模数据集的实验证明了所提 HAGR 方法相较于现有方法的有效性和高效性。结果表明，HAGR 方法甚至能够在 8 百万示例分类任务中在 3 分钟内实现良好的性能。