Naukowcy opracowali AMELS - ramowy system przyspieszający rozprzestrzenianie się etykiet w dużych zbiorach danych poprzez zastosowanie algebraicznych solwerów multigrid zamiast standardowych iteracji losowych spacerów. Algebraiczne solvery multigrid są solwerami iteracyjnymi, które ze względu na swój wielopoziomowy charakter mogą rozchodzić informacje z etykiet na grafach dowolnej wielkości w pojedynczym cyklu multigrid.
Label spreading to technika uczenia półnadzorowanego stosowana wtedy, gdy dysponujemy zaledwie kilkoma oznaczonymi przykładami, a trzeba je wykorzystać do etykietowania ogromnych zbiorów danych. Tradycyjne podejścia są ograniczone wysokimi kosztami obliczeniowymi i wymogami pamięciowymi, co uniemożliwia ich zastosowanie do naprawdę dużych i wysoko wymiarowych zbiorów. AMELS rozwiązuje te problemy poprzez szybką konstrukcję grafów sąsiedztwa i inteligentne wykorzystanie algebraicznego podejścia multigrid.
Zagadnienie jest ważne dla wspólnoty AI, ponieważ ręczne etykietowanie dużych zbiorów danych - takich jak miliony zdjęć - jest praktycznie niemożliwe i nieopłacalne. Wykazano, że AMELS osiąga znaczne zmniejszenie czasu wykonania w porównaniu z istniejącymi implementacjami, przy jednoczesnej większej odporności na wybór hiperparametrów zarówno pod względem szybkości, jak i dokładności klasyfikacji. To otwiera perspektywę efektywnego uczenia półnadzorowanego na rzeczywistych, wielkoskalowych zbiorach obrazowych.