[發明專利]一種超圖卷積網絡模型及其半監督分類方法

在審

• 申請號: 201811318538.1
• 申請日: 2018-11-07
• 公開（公告）號: CN109492691A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 孫玉寶;徐宏偉;劉青山;陳基偉;陳逸
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種超圖卷積網絡模型及其半監督分類方法，其特征在于：包括如下步驟：

步驟1：對非歐式結構的樣本數據特征進行稀疏編碼，形成樣本表示系數矩陣；

步驟2：依據樣本的相似性構建超邊，計算超邊權重，構建超圖模型；

步驟3：借助于超圖譜理論，定義超圖上的卷積運算，構建超圖卷積網絡模型；

步驟4：定義超圖卷積網絡上的半監督學習方法，設計損失函數，旨在利用少量標定樣本的類別信息，預測所有樣本的類別標簽；

步驟5：分別制作訓練、驗證和測試的半給定標簽矩陣，設置超參數，利用Adam隨機梯度下降算法訓練網絡模型；

步驟6：對于給定數據，用訓練好的模型預測未知的樣本類別，實現半監督分類。

2.根據權利要求1所述的超圖卷積網絡模型及其半監督分類方法，其特征在于：步驟3包括如下步驟：

步驟3.1：借助于超圖譜理論，在頻域定義超圖上的卷積預算，并進一步簡化卷積運算操作，只需中心節點以及一階近鄰節點參與卷積操作，以有效降低運算復雜度；

步驟3.2：在超圖上級聯卷積濾波操作，引入非線性激活函數，定義超圖上的深度卷積操作，通過多個卷積層的疊加處理，形成樣本特征的逐層抽象表達，實現特征的自適應學習與表示。

3.根據權利要求1所述的超圖卷積網絡模型及其半監督分類方法，其特征在于：步驟4包括如下步驟：

步驟4.1：定義超圖卷積網絡上的半監督學習方法，在網絡的最后級聯softmax層輸出分類結果，

步驟4.2：建立半監督分類任務定義損失函數，如交叉熵，并設定卷積核參數以及正則性因子為待學習的變量參數，損失函數約束在標定樣本上網絡預測的分類標簽與真實標簽趨于一致。

4.根據權利要求1所述的超圖卷積網絡模型及其半監督分類方法，其特征在于：在步驟2中，依據樣本的系數矩陣，計算樣本間的相似性進而構建超邊，計算超邊權重，進而構建超圖模型G＝(V,E,w)，其中V為頂點集合，E為超邊集合，w為超邊權重，計算超圖的拉普拉斯矩陣其中D_v為頂點的度矩陣，D_e為超邊的度矩陣，H為超圖的入射矩陣，表示各超邊的構成，A為超邊權重構成的對角矩陣。