提出高效半监督学习算法，大幅降低内存与计算开销。

Large-scale semi-supervised learning with online spectral graph sparsification

• 基于在线谱图稀疏化技术，实现低内存高效率计算
• 仅需 O(n polylog(n)) 空间和 O(m polylog(n)) 时间复杂度
• 适合大规模数据集的半监督学习任务

我们提出了 Sparse-HFS，一种可扩展的算法，能够在仅 O(n polylog(n)) 空间和 O(m polylog(n)) 时间内求解半监督学习问题。该方法通过在线谱图稀疏化策略，显著降低存储与计算成本，适用于大规模数据场景下的半监督学习任务。实验表明其在保持高精度的同时，实现了显著的资源节约。

原文摘要 · Abstract (English)

We introduce Sparse-HFS, a scalable algorithm that can compute solutions to SSL problems using only O(n polylog(n)) space and O(m polylog(n)) time.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。