Kernel-Induced Label Propagation by Mapping for Semi-Supervised Classification

Abstract:
Kernel methods have been successfully applied to the areas of pattern recognition and data mining. In this paper, we mainly discuss the issue of propagating labels in kernel space. A Kernel-Induced Label Propagation (Kernel-LP) framework by mapping is proposed for high-dimensional data classification using the most informative patterns of data in kernel space. The essence of Kernel-LP is to perform joint label propagation and adaptive weight learning in a transformed kernel space. That is, our Kernel-LP changes the task of label propagation from the commonly-used Euclidean space in most existing work to kernel space. The motivation of our Kernel-LP to propagate labels and learn the adaptive weights jointly by the assumption of an inner product space of inputs, i.e., the original linearly inseparable inputs may be mapped to be separable in kernel space. Kernel-LP is based on existing positive and negative LP model, i.e., the effects of negative label information are integrated to improve the label prediction power. Also, Kernel-LP performs adaptive weight construction over the same kernel space, so it can avoid the tricky process of choosing the optimal neighborhood size suffered in traditional criteria. Two novel and efficient out-of-sample approaches for our Kernel-LP to involve new test data are also presented, i.e., (1) direct kernel mapping and (2) kernel mapping-induced label reconstruction, both of which purely depend on the kernel matrix between training set and testing set. Owing to the kernel trick, our algorithms will be applicable to handle the high-dimensional real data. Extensive results on real datasets demonstrate the effectiveness of our approach.
Author Listing: Zhao Zhang;Lei Jia;Mingbo Zhao;Guangcan Liu;Meng Wang;Shuicheng Yan
Volume: 5
Pages: 148-165
DOI: 10.1109/TBDATA.2018.2797977
Language: English
Journal: IEEE Transactions on Big Data

IEEE Transactions on Big Data

IEEE T BIG DATA

影响因子:7.5 是否综述期刊:否 是否OA:否 是否预警:不在预警名单内 发行时间:- ISSN:2332-7790 发刊频率:- 收录数据库:SCIE/Scopus收录 出版国家/地区:UNITED STATES 出版社:IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC

期刊介绍

年发文量 118
国人发稿量 96
国人发文占比 81.36%
自引率 4.0%
平均录取率 -
平均审稿周期 -
版面费 US$2195
偏重研究方向 Multiple-
期刊官网 -
投稿链接 -

质量指标占比

研究类文章占比 OA被引用占比 撤稿占比 出版后修正文章占比
100.00% 11.22% 0.00% 0.00%

相关指数

{{ relationActiveLabel }}
{{ item.label }}

期刊预警不是论文评价,更不是否定预警期刊发表的每项成果。《国际期刊预警名单(试行)》旨在提醒科研人员审慎选择成果发表平台、提示出版机构强化期刊质量管理。

预警期刊的识别采用定性与定量相结合的方法。通过专家咨询确立分析维度及评价指标,而后基于指标客观数据产生具体名单。

具体而言,就是通过综合评判期刊载文量、作者国际化程度、拒稿率、论文处理费(APC)、期刊超越指数、自引率、撤稿信息等,找出那些具备风险特征、具有潜在质量问题的学术期刊。最后,依据各刊数据差异,将预警级别分为高、中、低三档,风险指数依次减弱。

《国际期刊预警名单(试行)》确定原则是客观、审慎、开放。期刊分区表团队期待与科研界、学术出版机构一起,夯实科学精神,打造气正风清的学术诚信环境!真诚欢迎各界就预警名单的分析维度、使用方案、值得关切的期刊等提出建议!

预警情况 查看说明

时间 预警情况
2024年02月发布的2024版 不在预警名单中
2023年01月发布的2023版 不在预警名单中
2021年12月发布的2021版 不在预警名单中
2020年12月发布的2020版 不在预警名单中

JCR分区 WOS分区等级:Q1区

版本 按学科 分区
WOS期刊SCI分区
WOS期刊SCI分区是指SCI官方(Web of Science)为每个学科内的期刊按照IF数值排 序,将期刊按照四等分的方法划分的Q1-Q4等级,Q1代表质量最高,即常说的1区期刊。
(2021-2022年最新版)
COMPUTER SCIENCE, THEORY & METHODS Q1
COMPUTER SCIENCE, INFORMATION SYSTEMS Q1

关于2019年中科院分区升级版(试行)

分区表升级版(试行)旨在解决期刊学科体系划分与学科发展以及融合趋势的不相容问题。由于学科交叉在当代科研活动的趋势愈发显著,学科体系构建容易引发争议。为了打破学科体系给期刊评价带来的桎梏,“升级版方案”首先构建了论文层级的主题体系,然后分别计算每篇论文在所属主题的影响力,最后汇总各期刊每篇论文分值,得到“期刊超越指数”,作为分区依据。

分区表升级版(试行)的优势:一是论文层级的主题体系既能体现学科交叉特点,又可以精准揭示期刊载文的多学科性;二是采用“期刊超越指数”替代影响因子指标,解决了影响因子数学性质缺陷对评价结果的干扰。整体而言,分区表升级版(试行)突破了期刊评价中学科体系构建、评价指标选择等瓶颈问题,能够更为全面地揭示学术期刊的影响力,为科研评价“去四唯”提供解决思路。相关研究成果经过国际同行的认可,已经发表在科学计量学领域国际重要期刊。

《2019年中国科学院文献情报中心期刊分区表升级版(试行)》首次将社会科学引文数据库(SSCI)期刊纳入到分区评估中。升级版分区表(试行)设置了包括自然科学和社会科学在内的18个大类学科。基础版和升级版(试行)将过渡共存三年时间,推测在此期间各大高校和科研院所仍可能会以基础版为考核参考标准。 提示:中科院分区官方微信公众号“fenqubiao”仅提供基础版数据查询,暂无升级版数据,请注意区分。

中科院分区 查看说明

版本 大类学科 小类学科 Top期刊 综述期刊
计算机科学
2区
COMPUTER SCIENCE, INFORMATION SYSTEMS
计算机:信息系统
2区
COMPUTER SCIENCE, THEORY & METHODS
计算机:理论方法
2区
2021年12月
基础版
工程技术
3区
COMPUTER SCIENCE, INFORMATION SYSTEMS
计算机:信息系统
3区
COMPUTER SCIENCE, THEORY & METHODS
计算机:理论方法
2区
2021年12月
升级版
计算机科学
2区
COMPUTER SCIENCE, INFORMATION SYSTEMS
计算机:信息系统
2区
COMPUTER SCIENCE, THEORY & METHODS
计算机:理论方法
2区
2022年12月
最新升级版
计算机科学
3区
COMPUTER SCIENCE, INFORMATION SYSTEMS
计算机:信息系统
3区
COMPUTER SCIENCE, THEORY & METHODS
计算机:理论方法
2区