Graph Gaussian Process Classifier with Anchor Graph and Label Propagation

Gaussiske prosesser er en viktig metode for maskinlæring da den lar oss sette en prioritet p˚a formen til en funksjon, og den arver fine egenskaper fra normalfordelingen. Den har blitt brukt b˚ade som en regresjons- og klassifiseringsmodell, og fungerer godt sammenlignet med andre metoder i en rekke applikasjoner. Klassifisereren presenteres vanligvis som en overv˚aket modell, noe som betyr at det krever merkede data for ˚a gjøre slutning. I dette arbeidet utvider vi den eksisterende Gaussiske prosessklassifisereren til ˚a h˚andtere merkede og umerkede data samtidig. Vi presenterer en modell kalt transduktiv graf Gaussisk prosessklassifikator og gir bakgrunnsmateriale for hvert trinn i modellen. Vi sammenligner denne utvidede modellen med standardmodellen og andre p˚a datasett fra sklearn, MNIST-datasettet og et datasett fra Aaknes-fjellet. Vi finner at den foresl˚atte modellen gir en nøyaktighet p˚a henholdsvis 0, 997 og 0, 595 p˚a sklearn-datasettene, bedre enn standardmodellen og andre sammenlignede modeller. P˚a MNIST-datasettet oppn˚adde klassifisereren en nøyaktighet p˚a 0, 67 med optimale modellparametere med stor avvik. P˚a Aaknes-datasettet ble modellen overg˚att av den tilfeldige skogklassifisereren. Vi finner ut at metoden er sensitiv for valg av modellparametere og krever regelmessig distribuert data for ˚a prestere godt. Under veldefinerte modellparametere og regelmessig distribuert data, fungerer den foresl˚atte modellen godt med f˚a merkede data