[發明專利]一種用于理解圖卷積神經網絡的可視分析方法

有效

• 申請號: 201910973555.7
• 申請日: 2019-10-14
• 公開（公告）號: CN110781933B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 史曉穎;僧德文;呂凡順;徐海濤
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

本發明公開了一種用于理解圖卷積神經網絡的可視分析方法，包括如下步驟：步驟一，將輸入的圖結構數據集劃分為訓練集、驗證集和測試集；步驟二，定義參數集合，包括隱藏層數集合和隱藏神經元數集合；步驟三，基于定義好的所述參數集合，訓練得到一系列的圖卷積神經網絡模型；步驟四，設計隱藏層分析視圖，展示隱藏層參數對分類準確率的影響；步驟五，設計損失和準確率視圖，展示所述模型迭代訓練過程中損失和分類準確率的變化；步驟六，采用GraphTSNE可視化方法計算圖中節點的位置，設計圖布局視圖，呈現在不同訓練步數下所述節點的預測情況和兩個訓練步數間所述節點預測情況的差異。

技術領域

本發明涉及了圖卷積神經網絡，尤其是涉及了一種用于理解圖卷積神經網絡的可視分析方法。

背景技術

隨著人工智能的發展，圖卷積神經網絡(Graph Convolutional Network，GCN)在近幾年來受到了廣泛的關注。GCN可以用于處理任意結構的圖數據，并被成功用于處理不同的任務，如對推薦系統做推薦、預測交通狀況、對引文網絡中的文章進行分類等。

盡管GCN被用于解決各類問題，但由于其內在的復雜性和非線性結構，人們對其底層的決策過程和模型為什么能實現良好的性能沒有得到很好的理解。解釋和理解深度神經網絡是現階段人工智能研究的熱點之一?，F有的數據可視分析方法能輔助人們理解深度神經網絡，但主要針對卷積神經網絡、循環神經網絡和深度強化學習模型等。現有的研究缺乏以一種易于理解的方式分析GCN的內部操作和執行過程。

由于圖結構數據集內在的復雜性，如何可視化GCN的決策過程存在三大難點。

1)圖節點通常包含高維特征，且節點間的關系非常復雜。常用的可視化圖數據的方法有力導引圖和t-SNE(t-distributed Stochastic Neighbor Embedding，t-分布領域嵌入)降維方法。前者只考慮了節點間的關聯，會生成擁擠的節點聚集。后者只能對節點的特征維度進行降維，忽略了圖結構信息。如何同時考慮節點特征和節點間的關系來布局節點，生成簡潔清楚的圖布局結果是一個難點。

2)多種因素會影響GCN模型預測的準確率，如隱藏層數、隱藏神經元數、訓練步數等。需要設計可視化視圖直觀地呈現多種因素的影響。

3)分析者可能不熟悉GCN，需要設計一種可視分析方法支持自上而下、漸進式地分析GCN，幫助分析者快速理解模型的運行機理。

發明內容

為解決現有技術的不足，使分析GCN的操作和過程更易于理解，本發明采用如下的技術方案：

一種用于理解圖卷積神經網絡的可視分析方法，包括如下步驟：

步驟一，將輸入的圖結構數據集劃分為訓練集、驗證集和測試集；

步驟二，定義參數集合，包括隱藏層數集合和隱藏神經元數集合；

步驟三，基于定義好的所述參數集合，訓練得到一系列的圖卷積神經網絡模型；

步驟四，設計隱藏層分析視圖，展示隱藏層參數對分類準確率的影響；

步驟五，設計損失和準確率視圖，展示所述模型迭代訓練過程中損失和分類準確率的變化；

步驟六，采用GraphTSNE可視化方法計算圖中節點的位置，設計圖布局視圖，呈現在不同訓練步數下所述節點的預測情況和兩個訓練步數間所述節點預測情況的差異。GraphTSNE是一種圖結構數據的可視化方法。