transductive-learning

本文介绍了Level-Constrained-Littlestone-Littlestone (LCLL)树，以刻画通用直推式在线分类中的可学习性，其中标签空间可能无界，并证明了最优错误率要么有界，要么呈对数增长。

本文介绍了传导锐化（TS），一种用于半监督节点分类的损失级修改，它最小化无标签节点上的预测熵，同时平衡有标签节点的效果，在不改变架构的情况下实现一致的性能提升。