Semi-supervised SVMs for classification with unknown class proportions and a small labeled dataset

In the design of practical web page classification systems one often encounters a situation in which the labeled training set is created by choosing some examples from each class; but, the class proportions in this set are not the same as those in the test distribution to which the classifier will be actually applied. The problem is made worse when the amount of training data is also small. In this paper we explore and adapt binary SVM methods that make use of unlabeled data from the test distribution, viz., Transductive SVMs (TSVMs) and expectation regularization/constraint (ER/EC) methods to deal with this situation. We empirically show that when the labeled training data is small, TSVM designed using the class ratio tuned by minimizing the loss on the labeled set yields the best performance; its performance is good even when the deviation between the class ratios of the labeled training set and the test set is quite large. When the labeled training data is sufficiently large, an unsupervised Gaussian mixture model can be used to get a very good estimate of the class ratio in the test set; also, when this estimate is used, both TSVM and EC/ER give their best possible performance, with TSVM coming out superior. The ideas in the paper can be easily extended to multi-class SVMs and MaxEnt models.

Probabilistic graphical models for semi-supervised traffic classification

Traffic classification using machine learning continues to be an active research area. The majority of work in this area uses off-the-shelf machine learning tools and treats them as black-box classifiers. This approach turns all the modelling complexity into a feature selection problem. In this paper, we build a problem-specific solution to the traffic classification problem by designing a custom probabilistic graphical model. Graphical models are a modular framework to design classifiers which incorporate domain-specific knowledge. More specifically, our solution introduces semi-supervised learning which means we learn from both labelled and unlabelled traffic flows. We show that our solution performs competitively compared to previous approaches while using less data and simpler features. Copyright © 2010 ACM.

Style and the “Idea” of the sophist after Plato : the impact of form typology on sophistic teaching and writing on interdisciplinary scholarly work

Resumen: Después de la primera sofística, los sofistas actuaron entre el resto de los pensadores del Mediterráneo como un grupo definido. Dado que hay muchos ejemplos que muestran que los sofistas ejercían sus prácticas y que también eran personas comprometidas en otras actividades, vamos a examinar aquí diversos casos de semejanzas y diferencias entre ellos y otros grupos de pensadores. Nuestras tres preguntas fundamentales son: qué, cómo y por qué los sofistas escribían y enseñaban. Intentaremos responder haciendo un análisis diacrónico de las principales formas y géneros de escritura que produjeron (qué). El cómo lo responderemos en su desenvolvimiento como una actividad comunicativa más allá de las fronteras de las disciplinas de la época. El por qué tendrá su respuesta al enfatizar la necesidad de la actividad de los sofistas en la socialización de la época y en la educación de la antigüedad. Al aseverar que el estilo era la idea de los sofistas, ponemos la noción de idea en Platón en el contexto de idea derivado de los sofistas contemporáneos a él y de los sofistas posteriores (segunda sofística) y centramos el foco en la función de visualidad expresada en su concepto de idea desde las obras sofísticas más tempranas en la época de Platón hasta las contribuciones posteriores.