[发明专利]基于维度加权和视角特征一致性的半监督分类方法

说明书

本发明提供了一种基于维度加权和视角特征一致性的半监督分类方法。首先，采用自适应局部结构学习的方法构建多视角数据每个视角的相似度矩阵；然后，将所有视角的相似度矩阵取平均值作为初始的一致性相似度矩阵，并构建基于维度加权和视角特征一致性的多视角半监督分类模型；接着，采用交替迭代更新方法求解该模型，直至得到最终的标签矩阵；最后，根据标签矩阵得到样本的标签，完成样本分类。本发明构建的分类模型将构造相似度矩阵与标签推断相结合，降低了构图质量对分类结果的影响；且由于对视角内特征维度加权并考虑数据的局部结构信息，可以获得更好的分类结果。

技术领域

本发明属机器学习和数据挖掘技术领域，具体涉及一种基于维度加权和视角特征一致性的半监督分类方法。

背景技术

随着大数据时代的到来，很多真实场景中的信息都可以通过不同的渠道、不同的角度、不同的模态、不同的特征来获得。面向这些多源数据，如何通过某种策略高效准确的融合这些信息来完成特定的任务，并应用于实际场景中具有重要的研究意义。

假设多视角数据集存在“互补性”和“一致性”，多视角学习是指对被研究对象从多个角度进行描述，进而整合多个视角的信息进行学习的一种方法。半监督分类是指利用少量的标记样本与未标记样本训练分类器，然后利用学习的分类器去推断未标记样本的标签。而在实际场景中，通常获得的多视角数据集具有少量的标签，且对数据集进行标注需要耗费大量的人力与物力。因此，结合多种视角间的信息且利用少量的标签来对未标记的样本进行标注具有重要的研究价值。

传统的多视角半监督分类方法主要分为三类：1)协同训练；2)基于图的多视角半监督分类；3)基于回归的多视角半监督分类。在基于图的半监督分类中，样本表示图的结点，任意两个结点之间的相似度表示边的强度。因此，基于图的半监督学习过程相当于一个染色过程。Nie等人在文献“F.Nie,J.Li and X.Li,Parameter-free auto-weightedmultiple graph learning:A framework for multi-view clustering and semi-supervised classification,in Proc.IEEE Conf.IJCAI,2016,pp.1881-1887.”中先构造相似度矩阵，然后根据已标记样本信息和构造的相似图推断未标记样本的标签。Yang等人在文献“M.Yang,C.Deng,and F.Nie,Adaptive-weighting discriminative regressionfor multi-view classification,Pattern Recognition,vol.88,pp.236-245,2019.”中利用自适应判别回归的思想对多视角数据集进行分类。考虑到真实数据集中具有少量的标签，Tao等人在文献“H.Tao,C.Hou,F.Nie,J.Zhu,and D.Yi,Scalable Multi-View Semi-Supervised Classification via Adaptive Regression,IEEE Transactions on ImageProcessing,vol.26,no.9,pp.4283-4296.”中对每个视角建立了基于回归的半监督分类模型。为了使得模型对噪声点或异常点具有稳健性，该方法还利用了L_2,1范数。考虑到每个视角对分类结果的重要性不同，该模型能够自适应的分配视角权重。然而，上述这些基于回归的思想只考虑了样本与标签之间的线性关系，对于非线性关系是不满足的。在基于图的半监督分类中，所构造的相似图的质量将极大地影响最终的分类结果，并且由于将构造相似图与标签推断视为两个单独的步骤，忽略了两者之间的关系。此外，这些方法只考虑了视角间特征的差异，忽略了视角内维度之间的不同，从而忽略了数据局部结构信息。因此，这些方法的分类准确率受到影响。

发明内容