[发明专利]一种基于图卷积极限学习机的快速半监督分类方法

说明书

本发明提供一种基于图卷积极限学习机的快速半监督分类方法，包括以下步骤：构建疾病分类数据的自表达模型，并利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到疾病分类数据的邻接矩阵A；根据所述邻接矩阵A计算随机图卷积模型输出H；根据所述随机图卷积模型输出H计算图卷积极限学习机的输出层权重β；利用计算得到的图卷积极限学习机的输出层权重β对未标记的疾病分类数据进行分类；本发明的有益效果是：在极限学习机方法中引入图卷积网络来代替隐藏层，构成一种全新的图卷积极限学习机模型；该模型能处理非欧式的图结构数据，如泛化到疾病分类、生物信息、化学医药等领域中，同时能够保持极限学习机的快速学习速度和通用的逼近能力。

技术领域

本发明涉及模式识别、数据分类领域，尤其涉及一种基于图卷积极限学习机的快速半监督分类方法。

背景技术

极限学习机(Extreme learning machine)是一项十分重要的技术，它在医学/生物数据分析、计算机视觉、图像处理以及系统建模和预测等领域取得了巨大的成功。极限学习机是随机向量函数连接网络(Random vector functional-link network)中的一种特例，它是一种单隐层前馈神经网络，其中其隐藏层是随机产生的，且输出权重值可以求出解析解。由于极限学习机避开了隐藏层的训练，因此该方法有着计算量小、运算速度快的优势。

尽管极限学习机有着众多性能优势和广泛的应用领域，但该方法只能对常规的欧式数据进行操作，如文本(一维的序列数据)和图片(二维的网格数据)，而对于非欧式的图结构数据(Graph)，如医学疾病类和生物分子类的非欧式结构数据，传统的极限学习机很难直接处理其中的邻居关系，因此使用极限学习机进行图数据挖掘仍然是一个待解决的开放性问题。

近年来，图神经网络(Graphneural network)凭借其在图结构数据学习方面的强大性能优势，获得了研究者的广泛关注。与传统的神经网络不同，图神经网络通过图节点之间的信息传递来获取图的依赖关系。具体来说，图神经网络通过聚集每个节点的邻近节点的信息来更新节点的隐藏状态。然而，该技术的缺陷是需要依赖于梯度下降进行优化，收敛速度缓慢且容易陷入局部最优。

发明内容

有鉴于此，为了将极限学习机扩展到非欧式的图结构数据，本发明提供了一种基于图卷积极限学习机的快速半监督分类方法，在极限学习机方法中引入图卷积来代替隐藏层，可以使其具备处理非欧式的图结构数据的能力，并且能够保留极限学习机方法的快速的学习速率和通用的逼近能力。经实验证明，该发明可被有效应用于疾病数据的分类。

本发明提供一种基于图卷积极限学习机的快速半监督分类方法，具体包括：

S101：构建疾病分类数据的自表达模型，并利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到输入的疾病分类数据的邻接矩阵A；

S102：根据所述邻接矩阵A计算随机图卷积模型输出H；

S103：结合极限学习机，根据所述随机图卷积模型输出H，计算图卷积极限学习机的输出层权重β；

S104：利用图卷积极限学习机的输出层权重β对未标记的疾病分类数据进行分类；

进一步地，步骤S101中，构建输入的疾病分类数据的自表达模型，如式(1)所示：

X^TZ＝X^T，s.t.,diag(Z)＝0 (1)

式(1)中，表示输入的疾病分类数据特征集；其中N为所述疾病分类数据特征集样本的个数，m为所述疾病分类数据特征集特征的维度，表示自表达系数矩阵，diag(Z)＝0表示Z的对角线元素为零。

进一步地，步骤S101中，利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到疾病分类数据的邻接矩阵A，具体如下：