加權子空間的隨機向量函數(shù)鏈接網(wǎng)絡集成方法①

葉璇， 何玉林， 張曼靜， 黃哲學

1.人工智能與數(shù)字經(jīng)濟廣東省實驗室(深圳)，廣東 深圳 518107；2.深圳大學 計算機與軟件學院，廣東 深圳 518060

隨機向量函數(shù)鏈接網(wǎng)絡(random vector functional link network，RVFL)作為最早的隨機權網(wǎng)絡模型[1]于1992年在文獻[2]里提出，文獻[3]在此基礎上進行了總結完善． 作為隨機權網(wǎng)絡代表，RVFL的輸入層權重和隱含層偏置的初始值為隨機生成，求解隱含層節(jié)點與輸入層節(jié)點所構成的結合矩陣的偽逆并直接得到輸出層權重，進而實現(xiàn)模型訓練． 因此，RVFL具有極快的訓練速度，且在文獻[4]中的實驗證明了其具有良好的泛化能力，能處理分類和回歸任務，具有很多真實應用場景． 如何有效提升RVFL的穩(wěn)定性和泛化性，具有重要研究意義．

由于RVFL的結構簡單化以及模型隨機化，因此當前其改進方向主要集中在改善網(wǎng)絡結構和結合集成學習兩方面：

1) 改善網(wǎng)絡結構的代表性工作． 在網(wǎng)絡參數(shù)選擇方面，文獻[5]提出了有效節(jié)點選擇的RVFL改進模型，簡記為I-OI-RVFLNs． 該模型首先引入正交化方法對隱含層輸出矩陣進行正交化，顯著提升模型的收斂速度；其次預先設置隱含層節(jié)點個數(shù)并迭代更新輸出層權重，裁剪冗余節(jié)點以實現(xiàn)網(wǎng)絡精簡化，提升模型的計算效率． 文獻[6]于2017年提出了一種基于貝葉斯法則的RVFL改進模型，其在訓練階段獲取額外先驗知識得到最優(yōu)權重的概率分布，并在測試階段線性搜索出合適的正則化因子，進而構造網(wǎng)絡模型并使其獲得更好的預測性能． 在網(wǎng)絡層數(shù)方面，文獻[7]基于RVFL網(wǎng)絡框架以及自編碼器概念，首次提出了深度RVFL網(wǎng)絡，簡記為sdRVFL． sdRVFL引入了去噪準則，即不同的正則化法則，先對數(shù)據(jù)特征進行深層次的提取，然后將該部分特征輸入到原始的RVFL進行預測，從而實現(xiàn)網(wǎng)絡結構的深度化． 在sdRVFL的基礎上，文獻[8]于2021年提出了另一種深度RVFL網(wǎng)絡，簡記為dRVFL． dRVFL將網(wǎng)絡中每一層所提取到的數(shù)據(jù)特征，進行橫向拼接構成拼接矩陣，并利用最小二乘直接計算輸出層權重，從而完成dRVFL的訓練． dRVFL充分利用每層網(wǎng)絡所提取的信息，有效提升了RVFL的泛化能力． 此外，文獻[9]提出了另一種新型的深度RVFL網(wǎng)絡，簡記為FAF-DRVFL． FAF-DRVFL結合遷移學習來進行數(shù)據(jù)預處理工作，并使用模糊激活函數(shù)代替常用的Sigmoid激活函數(shù)來計算隱含層輸出，有效提高了模型的穩(wěn)定性以及計算效率．

2) 結合集成學習的代表性工作． 文獻[10]于2020年提出了一種基于自適應機制的集成RVFL模型． 該模型根據(jù)RVFL的預測準確率來分配不同權重，若樣本被錯誤分類則在下一次訓練中給予更大的權重，以此完成模型的集成優(yōu)化． 文獻[11]基于殘差網(wǎng)絡機制，對數(shù)據(jù)特征進行有效提取，同時在每個基模型dRVFL的輸出層參數(shù)中添加噪聲擾動，增加集成多樣性，從而實現(xiàn)對集成dRVFL(edRVFL)網(wǎng)絡模型泛化能力的改進．

若在RVFL網(wǎng)絡結構上進行改進，會改變其簡單的模型結構，增加過擬合的風險；若結合集成方法對RVFL進行改進，又因無法增大基學習器差異性導致無法提升模型的穩(wěn)定性和泛化性． 為了在不改變RVFL簡單結構的條件下有效提升RVFL的穩(wěn)定性和泛化性，本文提出了一種加權子空間的隨機向量函數(shù)鏈接網(wǎng)絡集成方法(weighted attribute bagging-based random vector functional link network，WAB-RVFL)，為優(yōu)化所選屬性子空間使其更適應于RVFL的網(wǎng)絡結構，提出屬性優(yōu)化的思想，引入屬性加權矩陣概念，提出加權子空間選擇策略，搜索得到更優(yōu)的加權子空間，使其能在RVFL的線性映射與非線性映射之間找到平衡點． 為尋找最優(yōu)的屬性加權矩陣，本文利用訓練集和驗證集信息構建目標函數(shù)，并采取粒子群優(yōu)化算法迭代及最小化目標函數(shù)，從而搜索得到最優(yōu)屬性加權矩陣． 本文在8個分類數(shù)據(jù)集上展開有說服力的實驗，分別驗證WAB-RVFL的可行性、 合理性和有效性． 實驗結果表明，WAB-RVFL具有更優(yōu)的泛化能力．

本文的組織結構如下： 第1節(jié)對RVFL和貝葉斯子空間選擇策略的原理進行介紹和分析；第2節(jié)對本文提出的WAB-RVFL進行詳細介紹；第3節(jié)對WAB-RVFL的性能進行實驗驗證；第4節(jié)進行總結并給出未來研究工作．

1 相關理論知識

1.1 隨機向量函數(shù)鏈接網(wǎng)絡

傳統(tǒng)神經(jīng)網(wǎng)絡基于誤差反向傳播算法進行權重的迭代更新，雖然能夠較好地實現(xiàn)復雜的非線性映射關系并完成表征學習任務，但卻具有訓練時間長、 易陷入局部極小值等缺點． RVFL是一種特殊的單隱含層前饋神經(jīng)網(wǎng)絡，其結構特點是輸入層同時與隱含層、 輸出層進行直接連接，具體如圖1所示． 由于避免了權重的迭代更新，因此RVFL具有極快的訓練速度、 良好的函數(shù)擬合能力．

圖1 RVFL的網(wǎng)絡結構

RVFL的訓練步驟主要分為3個階段： 隨機初始化階段、 隱含層和輸入層結合矩陣計算階段、 目標輸出層權重計算階段． 首先是隨機初始化生成并固定輸入層權重和隱含層偏置，然后通過將數(shù)據(jù)樣本進行非線性映射得到隱含層輸出矩陣，最后通過最小二乘法直接解析求得目標輸出層權重．

假設有一個分類數(shù)據(jù)集容量大小為N，其具有D維屬性以及M個類標：

S={(xn，tn)|xn=(xn1，xn2，…，xnD)，tn=(tn1，tn2，…，tnM)}

(1)

1) 隨機初始化階段． 首先按照一定分布隨機初始化RVFL的輸入層權重和隱含層偏置，分別表示為

(2)

和

(3)

2) 隱含層和輸入層結合矩陣計算階段． 數(shù)據(jù)樣本經(jīng)過輸入層權重和隱含層偏置轉換后，進行非線性映射得到隱含層輸出矩陣：

(4)

其中

(5)

g(·)表示激活函數(shù)，通常使用Sigmoid函數(shù)：

(6)

因此，隱含層和輸入層結合矩陣表示為

GN×(L+D)=[HN×L，XN×D]N×(L+D)

(7)

其中X=(xnd)N×D是樣本輸入值． RVFL的整個計算過程可以表示為

GN×(L+D)β(L+D)×M=YN×M

(8)

其中：β(L+D)×M是目標輸出層權重，YN×M是樣本預測值．

3) 目標輸出層權重計算階段． 輸出層權重是整個RVFL訓練求解的核心部分．T是樣本真實值，為使樣本預測值和樣本真實值盡可能接近，需最小化以下目標函數(shù)：

(9)

通過最小二乘法解析求解，得到輸出層權重為

(10)

為了更好平衡經(jīng)驗風險和結構風險，往往在求解過程中加入正則化因子進行計算，此時輸出層權重計算表示為

(11)

由RVFL訓練過程可知，RVFL不進行權重迭代調(diào)整，從而獲得了極快的訓練速度． 已有實驗結果表明，RVFL具有良好的泛化性能[4]，萬能逼近能力理論也證明了RVFL的收斂性[12]．

1.2 貝葉斯子空間選擇策略

隨機子空間方法是一種常用的有效降低數(shù)據(jù)集維度的策略，能夠減小數(shù)據(jù)訓練復雜度，提升模型測試精度． 隨機子空間方法基于集成學習策略實現(xiàn)，通過獲取多個隨機屬性子空間，用于多個基學習器訓練并對預測進行融合，從而得到更穩(wěn)定、 更精確的最終模型．

貝葉斯子空間選擇(bayesian attribute bagging，BAB)策略，是文獻[13]在貝葉斯法則的基礎上所提出的一種有效的子空間選擇策略． 基于貝葉斯法則計算條件屬性與決策屬性之間的屬性決策度(decision-making degree，DMD)；根據(jù)最大DMD來生成最優(yōu)的條件屬性組(condition attribute group，CAG)；對得到的CAG按一定比例進行抽樣，生成多個Bagging屬性組(bagging attribute group，BAG)，此時BAG即為得到的目標屬性子空間．

不同于傳統(tǒng)的屬性Bagging策略對條件屬性進行隨機抽樣，BAB充分考慮條件屬性與決策屬性之間的影響程度，得到的屬性子空間更均衡、 更穩(wěn)定，在后續(xù)的基學習器訓練中會取得更佳的性能．

2 加權子空間的隨機向量函數(shù)鏈接網(wǎng)絡集成方法

BAB策略能夠有效獲得更均衡、 更穩(wěn)定的屬性子空間，但由于RVFL網(wǎng)絡結構具有輸入層和輸出層直連的特點，因此在訓練過程中，輸入屬性具有線性映射和非線性映射兩部分性質(zhì)． 若簡單將BAB和RVFL進行結合，則會忽略掉該線性映射部分的特性． 為了更好結合BAB策略與RVFL的網(wǎng)絡結構特點，本文在BAB的基礎上提出了加權子空間選擇(weighted attribute bagging，WAB)策略，用以構造加權子空間的隨機向量函數(shù)鏈接網(wǎng)絡集成模型(weighted attribute bagging-based RVFL，WAB-RVFL)．

2.1 加權子空間選擇策略

2.1.1 屬性加權矩陣

RVFL的網(wǎng)絡結構具有輸入層到輸出層、 隱含層到輸出層兩部分目標輸出權重，因此其同時具有線性映射和非線性映射的特性． 對于BAB所得到的屬性子空間，并不完全適合RVFL模型訓練，為更貼合這兩部分特性，應該采取有效的策略進行屬性子空間的優(yōu)化轉換． 對適合線性映射部分的屬性進行加權放大增強，對不適合線性映射部分的屬性進行加權減小抑制，從而實現(xiàn)更優(yōu)模型的訓練．

為了得到用于集成模型訓練的更有效的屬性子空間，本文引入屬性優(yōu)化思想，提出屬性加權矩陣的概念，用于屬性子空間的加權轉化，其形式為

(12)

其中D為子空間屬性個數(shù)． 對于子空間輸入樣本X，利用屬性加權矩陣對其進行屬性加權，轉化后的加權子空間可以表示為：

(13)

屬性加權矩陣是一個對角陣，其對角線上的元素為子空間輸入樣本各個屬性的加權． 在屬性加權矩陣的作用下，針對于RVFL特有的兩部分結構，若某些屬性適合線性映射，則其屬性加權應該增大；若某些屬性適合非線性映射，則其屬性加權應該減?。?如何找到合適的屬性加權矩陣是加權子空間選擇策略的核心．

2.1.2 目標函數(shù)設計

在機器學習任務中，目標函數(shù)是一個用來衡量模型擬合程度的函數(shù)，通常如果函數(shù)值越小則表示模型的擬合效果越好． 如何有效最小化目標函數(shù)非常關鍵．

在屬性加權矩陣的搜索過程中，本文利用訓練集和驗證集信息來構建目標函數(shù)，具體形式為：

(14)

為搜索最優(yōu)的屬性加權矩陣，本文選取粒子群優(yōu)化(particle swarm optimization，PSO)算法[14]進行迭代優(yōu)化，利用搜索得到屬性加權矩陣Q，使其對子空間的屬性進行加權轉化，起到增強或抑制的作用，從而獲得加權后更優(yōu)質(zhì)、 更適合RVFL網(wǎng)絡結構的屬性子空間．

2.2 WAB-RVFL算法流程

WAB-RVFL算法的核心是利用PSO迭代優(yōu)化搜索得到最優(yōu)的屬性加權矩陣，為更好地展示W(wǎng)AB-RVFL算法，具體的流程如算法1所示．

算法1: WAB-RVFL算法1 基于貝葉斯子空間選擇(BAB)策略, 得到K個屬性子空間BAGs; 2 基于加權子空間選擇(WAB)策略, 對K個BAGs進行加權優(yōu)化: 3 fork=1 to Kdo4 基于屬性子空間BAGk, 進行PSO迭代更新搜索得到屬性加權矩陣Qk; 5 利用屬性加權矩陣Qk, 對BAGk進行加權得到優(yōu)化后的BAG k. 6 end for7 基于優(yōu)化后的加權子空間, 進行RVFL集成訓練和預測: 8 基于K個BAG k, 構建K個RVFL模型; 9 fork=1 to Kdo10 利用訓練好的RVFLk, 對新樣本進行預測得到y(tǒng)(k). 11 end for12 對于K個RVFL的預測y(1),y(2),…,y(K), 計算信息量權重v1,v2,…,vK并進行加權融合輸出[13]: y=∑Kk=1vky(k)

3 實驗驗證與分析

本次實驗在8個高維分類數(shù)據(jù)集中開展，數(shù)據(jù)集信息如表1所示[15]． 本文對數(shù)據(jù)集進行清洗，并為減少訓練時間采取隨機抽樣方式得到小規(guī)模數(shù)據(jù)集，用于模型的訓練和測試． 數(shù)據(jù)被劃分成了80%訓練集和20%測試集，并采用最大最小歸一化方法，將屬性區(qū)間縮放到[0， 1]． 本實驗采取準確率(Accuracy)作為模型的衡量標準，且所有實驗均是重復5次試驗的平均結果．

表1 數(shù)據(jù)集信息

PSO算法的實驗參數(shù)設置如下： 種群迭代次數(shù)為200，種群大小為50，個體值區(qū)間為[0， 2]，速度值區(qū)間為[-0.2， 0.2]，慣性因子為0.729 8，學習因子均為1.494 45． 將訓練集以0.5的比例劃分得到驗證集用于目標函數(shù)的迭代優(yōu)化． 通過10次重復試驗遍歷RVFL得到最優(yōu)精度對應的節(jié)點個數(shù)． 在WAB-RVFL實驗中將BAB策略的特征抽樣比例參數(shù)設置為0.8．

3.1 WAB-RVFL可行性驗證

在WAB-RVFL中，如何有效最小化該目標函數(shù)非常關鍵． 本文采取PSO優(yōu)化算法對目標函數(shù)進行迭代最小化，從而實現(xiàn)最優(yōu)屬性加權矩陣的搜索，優(yōu)化屬性子空間而進一步提升模型性能． 本文選取了4個數(shù)據(jù)集進行迭代優(yōu)化展示，具體如圖2所示．

從圖2可以看出，隨著迭代次數(shù)的增加，目標函數(shù)值逐漸優(yōu)化減小；在迭代次數(shù)為150之后，圖像基本上趨于收斂狀態(tài)． 這表明WAB-RVFL所構造的目標函數(shù)是有效的，其隨著PSO的優(yōu)化迭代而不斷減小，驗證了WAB-RVFL算法的可行性．

圖2 在PSO優(yōu)化下目標函數(shù)值的迭代展示

3.2 WAB-RVFL合理性驗證

為了驗證WAB-RVFL的合理性，本節(jié)對3種基模型進行了比較，即Single RVFL模型、 Single BAB-RVFL模型和Single WAB-RVFL模型，其分別是基于投票策略的RVFL(Voting-RVFL)、 基于貝葉斯子空間的RVFL(BAB-RVFL)和基于加權子空間的RVFL(WAB-RVFL)3種集成模型的基學習器． 具體的實驗結果如圖3所示．

圖3 3種基模型在8個分類數(shù)據(jù)集下的比較

由圖3可知，在訓練部分，Single RVFL和Single BAB-RVFL在5個數(shù)據(jù)集上的精度達到100%，Single WAB-RVFL的訓練精度普遍較低，只有在Musk(version 2)數(shù)據(jù)集中表現(xiàn)比其他兩個模型高；在測試部分，Single WAB-RVFL則在多個數(shù)據(jù)集下普遍表現(xiàn)比其他兩個基模型的要好，即精度更高． 在Musk(version 2)，Urban Land Cover和Gisette 3個數(shù)據(jù)集中，雖然Single WAB-RVFL測試精度不是最高，但與Single RVFL相比較為相近．

總結分析得，WAB-RVFL的基模型Single WAB-RVFL經(jīng)過屬性加權矩陣的優(yōu)化之后，在8個數(shù)據(jù)集的測試集上有5個表現(xiàn)要比Single RVFL和Single BAB-RVFL好，其中3個數(shù)據(jù)集上表現(xiàn)均與Single RVFL相差不大． 這說明本文提出的屬性加權矩陣和WAB-RVFL模型具有合理性，屬性加權矩陣能夠較好地對子空間進行加權優(yōu)化，從而提升模型的測試精度． 這為下一小節(jié)中驗證最終集成模型的性能提供了合理性依據(jù)．

3.3 WAB-RVFL有效性驗證

在上一小節(jié)中的WAB-RVFL合理性實驗，分析得到Single WAB-RVFL在大多數(shù)數(shù)據(jù)集上比Single RVFL和Single BAB-RVFL性能更佳． 本小節(jié)將通過豐富的模型對比實驗，驗證WAB-RVFL的有效性．

本文搭建實驗平臺，將WAB-RVFL與以下6個模型： RVFL，Voting-RVFL，Bagging-RVFL，dRVFL，edRVFL以及BAB-RVFL進行比較，其中dRVFL和edRVFL的隱含層層數(shù)設置為10，具體的實驗結果如圖4所示．

圖4 在分類任務中WAB-RVFL與其他RVFL模型的比較

由圖4可知，隨著基學習器的增加，所有RVFL集成算法均趨于收斂，表明RVFL結合集成方法的應用是可行的，模型精度能夠不斷提升并趨于穩(wěn)定狀態(tài)． 本文提出的WAB-RVFL在8個高維分類數(shù)據(jù)集下，與其他RVFL模型相比，均能取得更高的預測精度． 實驗結果表明，加權子空間選擇策略能有效緩解模型過擬合現(xiàn)象，WAB-RVFL具有更佳的泛化性能，驗證了WAB-RVFL的有效性．

本文還使用Nemenyi檢驗方法[16]來進行多個模型之間的統(tǒng)計檢驗分析，顯著性水平設置為0.1，CD值表示為臨界差值區(qū)間，固定基學習器為50，取測試集精度進行模型比較． 由圖5可知，在測試過程中，WAB-RVFL和BAB-RVFL共處同一臨界差值區(qū)間，且WAB-RVFL的平均秩值更小，其他模型則分別與WAB-RVFL處于不同的臨界差值區(qū)間，這表明WAB-RVFL的預測性能優(yōu)于BAB-RVFL；與其他5種模型的差異較大，且均優(yōu)于這5種模型． 因此，本文提出的WAB-RVFL具有更穩(wěn)定且更優(yōu)的預測性能．

圖5 模型測試精度的統(tǒng)計檢驗結果

4 結論與未來工作

本文基于RVFL輸入層和輸出層直連的結構特點，提出了一種有效的、 魯棒性更強的加權子空間的隨機向量函數(shù)鏈接網(wǎng)絡集成方法(weighted attribute bagging-based random vector functional link network，WAB-RVFL)． 首先，基于貝葉斯子空間選擇策略，對RVFL結構進行分析并提出合適的加權子空間選擇策略，引入屬性加權矩陣概念，構造有效的目標函數(shù)并利用PSO算法迭代優(yōu)化；其次，設置3個實驗驗證了WAB-RVFL的可行性、 合理性和有效性． 實驗結果表明，PSO對目標函數(shù)迭代優(yōu)化收斂證明了WAB-RVFL的可行性；在多個數(shù)據(jù)集下，3種基學習器的對比實驗中Single WAB-RVFL預測性能更好，體現(xiàn)了WAB-RVFL的合理性；在7種RVFL模型的對比實驗中，WAB-RVFL具有更高測試精度，驗證了WAB-RVFL的有效性．

在本文中仍有部分內(nèi)容值得進一步地探究，未來的工作展望主要有以下兩點：

1) 其他智能算法的使用． 針對WAB-RVFL模型中使用到的經(jīng)典PSO優(yōu)化算法，探究是否能使用其他更優(yōu)的智能算法進行模型的迭代優(yōu)化，減少實驗的開銷，提升模型的性能；

2) 大規(guī)模數(shù)據(jù)的處理． WAB-RVFL模型具有并行運算的潛力，而目前在大數(shù)據(jù)時代下對模型精度以及運算效率要求都特別高，因此接下來將考慮是否能將本文提出的兩種模型，在大數(shù)據(jù)框架下進行分布式計算，處理真實的大數(shù)據(jù)問題．