Semi-Supervised Learning over Complex Networks

Abstract

This work considers semi-supervised learning over network-structured datasets with an emphasis on modern convex optimization methods. As a case study, we investigate two specific variants of the Network Lasso problem: The Network Lasso and Logistic Network Lasso. We solve these using the Alternating Direction Method of Multipliers. Especially for the Logistic Network Lasso, we also give algorithms based on an inexact variant of ADMM and the primal-dual method. Our theoretical investigation is complemented with experiments conducted on artificial and real datasets.

Tämä työ käsittelee semi-valvottua oppimista verkko-rakenteissa, korostaen moderneja konveksi optimoinnin menetelmiä. Tapaustutkimuksena tarkastellaan kahta Network Lasso ongelman versiota: Network Lasso ja Logistic Network Lasso. Ratkaisemme nämä käyttämällä Alternating Direction Method of Multipliers menetelmää. Logistic Network Lasso ongelmalle johdamme myös epätäsmälliseen ADMM:ään ja primal-dual menetelmään perustuvia algoritmeja. Teoreettista tutkimustamme täydentävät keinotekoiseen sekä reaaliseen dataan perustuvat kokeilut.