[发明专利]基于自适应图的半监督学习方法

摘要

本发明提供了一种基于自适应图的半监督学习方法。首先，构造得到样本集合的初始图和标签矩阵，并设置正则化参数；然后，通过最小化目标函数进行半监督学习，得到样本的软标签矩阵；最后，计算得到所有样本的结果标签矩阵。由于在半监督学习中自适应地进行图的更新，不易受到初始图的影响，算法鲁棒性更高；通过设置正则化参数，可以缓解错误标签带来的影响，还可以发现新的类别，在提高方法准确性的同时使得方法更具实用性。

主权项

1.一种基于自适应图的半监督学习方法，其特征在于步骤如下：步骤1：利用聂等人在2016年的工作“Nie F,Wang X,Jordan M I,et al.The Constrained Laplacian Rank algorithm for graph‑based clustering[C]//Thirtieth AAAI Conference on Artificial Intelligence.AAAI Press,2016:1969‑1976”中提出的构图方法构造得到样本集合X＝{x1,x2,…,xn}初始图的权重矩阵W；所述的样本集合的前l个样本为已标记的样本，其余样本为未标记样本，样本类别集合为C＝{1,2,…,c+1}，其中，已标记样本共有c个类别；设样本的标签矩阵Y∈Rn×(c+1)，对于已标记的样本xi，若它的类别为j，则令样本标签矩阵Y中第i行j列元素yij＝1，i＝1,2,…,l，j＝1,2,…,c；对于未标记样本xi，将其初始标签设置为c+1，即令标签矩阵Y中第c+1列元素yi,c+1＝1，此时，i＝l+1,l+2,…,n；令标签矩阵Y中其余元素为0，即得到样本标签矩阵Y；步骤2：对于所有已标记的样本，设其正则化参数为μl，对于所有未标记的样本，设其正则化参数为μu，令对角矩阵U的第i个对角线元素μii为第i个样本的正则化参数，即i∈[1,l]时，μii＝μl，i∈[l+1,n]时，μii＝μu，得到正则化参数矩阵U∈Rn×n，i＝1,2,…,n；其中，正则化参数μ_l的设置为：如果已标记样本的标签完全正确，则设置μ_l满足否则，设置μ_l满足正则化参数μ_u的设置为：对未标记样本按已标记样本类别分类，则设置μ_u满足否则，设置μ_u满足步骤3：分别以步骤1得到的初始图权重矩阵W、标签矩阵Y和步骤2得到的正则化参数矩阵U为输入构建目标函数，并最小化目标函数得到软标签矩阵Z，即：其中，S表示更新后的图的权重矩阵，D是S的度矩阵，为对角线元素dii＝1的对角矩阵，sij表示矩阵S中第i行j列的元素，i∈[1,n]，j∈[1,n]，L是S的拉普拉斯矩阵，L＝D‑S；||·||F表示F范数，Tr(·)表示矩阵的迹，λ是罚项参数，取值范围为[10‑5,105]；步骤4：构造结果标签矩阵设置其元素均为0，然后，寻找软标签矩阵Z中的每一行的最大值并记录其位置，并令结果标签矩阵中对应行对应位置处元素的值为1，如此更新标签矩阵中所有行对应元素，即得到所有样本的结果标签矩阵