2-2 超图学习及其应用

Hypergraph Learning

• 超图学习的目标公式旨在平滑数据之间的关系，通过经验损失函数实现，公式包含平滑项和经验损失项。
• 超图学习在分类任务中需要已打标的训练数据和测试数据，通过构建超图模型进行分类。

Vertex Re-Weighting

• Vertex-weighted Hypergraph Learning (V-HL) 通过对超图中的顶点进行加权来提升模型性能。
• V-HL 利用孤立森林分析已标记异常数据，计算未标记数据与异常簇的相似性，并根据数据质量（相似性和孤立性）计算样例权重。
• 实验结果表明，V-HL 在工业异常检测数据集和 ODDS 数据集上优于其他方法，如 ADOA、PDEs、iForest、osPCA、NSGLP 和 VWHL。

Cost Sensitive Hypergraph Learning

• 代价敏感超图学习考虑不同类别错分的代价差异，如软件缺陷预测和网络攻击检测。
• Cost Sensitive Hypergraph Learning (CSHL) 利用代价敏感拉普拉斯得分，通过训练数据选取和构建训练数据空间来实现。
• 实验结果表明，CSHL 在 NASA 软件缺陷数据集和 CK Metrics 数据集上优于其他方法，如 NSGLP、CDDL、MKEL、CTKCCA、ADOA、VWHL 和 SHL。

Hypergraph Learning with Cost Interval Optimization

• Hypergraph Learning with Cost Interval Optimization (CIHL) 考虑代价区间，通过有限的约束来优化问题，最小化最坏风险和平均风险。
• CIHL 利用多组不同参数值训练超图，并选取代价最小的一个作为分类器。
• 实验结果表明，CIHL 在 NASA 软件缺陷数据集和 CK Metrics 数据集上优于其他方法，如 NGSLP、NSGLP、CISVM 和 cisLDM。

Cost-Sensitive Hypergraph Learning with F-measure Optimization

• Cost-Sensitive Hypergraph Learning with F-measure Optimization 优化 F-measure，分为二分类和多分类两种情况。
• 实验结果表明，该方法在 UCI machine-learning repository、NASA dataset 和 CK metric dataset 上优于其他方法，如 LEAD、NSGLP、CSFS、BEAM-F、Adaptive-Surrogates 和 ECS-DBN。

Applications

• 该方法可应用于攻击异常检测和软件错误预测。
• 该方法也可应用于疾病诊断等领域。