【第13章半监督学习】待推导或待解析公式征集+答疑专区

[Sm1les]

【第13章半监督学习】待推导或待解析公式征集+答疑专区

[byby221b]

13.6 公式推导有笔误

公式13.6关于LL(D_l)的推导中，最后一步求和符号下面x_j的范围写错了，望更正。

[byby221b]

(此处应为D_l而非D_t

[Sm1les]

@byby221b 好的，感谢您的反馈，我已经通知了13章的负责人进行修订，如果您还发现了其他问题，还烦请持续反馈 :)

[LeoLRH]

@byby221b 你好我仔细看了您说的两个问题，都是我的笔误推导写错了，收到我已更正

[byby221b]

@LeoLRH
好的，非常感谢你们的工作

[LeoLRH]

@Sm1les 麻烦负责人看一下这个问题，我的文档上是没有这个问题的可能上次该文档时出现了纰漏，看看是Markdown代码的问题还是格式转换的问题，麻烦啦

[LeoLRH]

公式13.6有小错误

谢谢您的反馈，已经再更改中

[dinger0]

这是我整理的其他小问题

[Sm1les]

@Admin2B 好的，感谢您的反馈，我们尽快修正过来 :)

[OriginPrince]

您好，13.5 均值初始化的公式好像有点问题，谢谢。

[archwalker]

您好，13.5 均值初始化的公式好像有点问题，谢谢。

您好，这里是typo，已修复，感谢反馈

[ChenZQ-nano]

关于公式 13.21，我查了原文献，这个式子的最优解就是13.20，
请问（1）为什么要进行迭代，是为了避免直接求逆吗，这种避免求逆的算法有名字吗，是不是以后遇到这种问题都可以这样迭代。
（2）另外13.21的第一项在Fi前除以了i的度，这是要将数据点的密度因素也考虑进来的意思（也就是越相似的数据点，他们的度也一样）吗

[archwalker]

关于公式 13.21，我查了原文献，这个式子的最优解就是13.20，
请问（1）为什么要进行迭代，是为了避免直接求逆吗，这种避免求逆的算法有名字吗，是不是以后遇到这种问题都可以这样迭代。
（2）另外13.21的第一项在Fi前除以了i的度，这是要将数据点的密度因素也考虑进来的意思（也就是越相似的数据点，他们的度也一样）吗

(1) 13.4节开头交代了采用“迭代算法”的背景，即半监督学习对应于标签在图上的传播过程，这个传播过程即是迭代计算并达到稳态的过程。这种算法就叫标签传播（label propagation）
(2) 是，可以理解成对图中热点节点的规范化。

[ChenZQ-nano]

您好，我的第一个问题意思是：既然标签传播是从13.21的目标函数优化得到的，但是这个问题有解析解啊，也就是13.2，那有解析解为什么还要迭代

[archwalker]

您好，我的第一个问题意思是：既然标签传播是从13.21的目标函数优化得到的，但是这个问题有解析解啊，也就是13.2，那有解析解为什么还要迭代

方阵S的维度是N*N，其中N是图中节点的数量，如此大的矩阵求逆很困难。

[zceolrj]

公式13.15是 $f_u = (D_{uu} - W_{uu})^{-1}W_{ul}f_l $
公式13.17是 $f_u = (I - P_{uu})^{-1}P_{ul}f_l $

请问一下：这两个公式是不是都可以根据 $f_l$ 解出 $f_u $
如果都可以，为何还要从13.15再推导到13.17 ?