在机器学习,模式识别,图像处理和计算机视觉领域,数据通常由张量表示。 对于半监督张量分类,现有的转导支持张量机(TSTM)需要求助于迭代技术,这非常耗时。 为了克服这个缺点,在本文中,我们将基于凹凸过程的转导支持向量机(CCCP-TSVM)扩展到张量模式,并提出了一种基于低秩逼近的TSTM,其中张量秩为一种分解用于计算张量的内积。 从理论上讲,基于凹凸过程的TSTM(CCCP-TSTM)是线性CCCP-TSVM到张量模式的扩展。 当输入模式为矢量时,CCCP-TSTM退化为线性CCCP-TSVM。 针对23个半监督分类任务进行了一组实验,这些任务是从7个二阶面部数据集,3个三阶步态数据集和2个三阶图像数据集生成的,以说明CCCP-TSTM的性能。 结果表明,与CCCP-TSVM和TSTM相比,CCCP-TSTM在测试准确性和训练速度方面提供了显着的性能提升。