[發(fā)明專利]一種基于多通道機制的圖池化方法

在審

• 申請?zhí)枺?/td>: 202011513298.8
• 申請日: 2020-12-18
• 公開（公告）號: CN112508181A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設計）人: 杜金龍;王森章;張美越
• 申請（專利權(quán)）人: 南京航空航天大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多通道機制的圖池化方法，其主要特征包括如下步驟：

(1)圖數(shù)據(jù)建模及節(jié)點級表示學習：將圖數(shù)據(jù)G表示為特征矩陣X和鄰接矩陣A，即G＝X，A。將圖輸入GCN模型中，每個節(jié)點通過聚合和變換自己及鄰居節(jié)點的信息，得到每個節(jié)點的表示向量，定義GCN如下：

其中是圖的鄰接矩陣；是的度矩陣，通過堆疊GCN，為圖中每個節(jié)點學習到一個表示。

(2)利用多個通道生成不同的池化圖：結(jié)合多通道機制，利用三個通道來分別捕獲圖數(shù)據(jù)中蘊含的豐富結(jié)構(gòu)及特征信息：通道1、2、3分別用于捕獲圖的局部拓撲結(jié)構(gòu)信息、全局拓撲結(jié)構(gòu)信息以及重要特征信息，而后采用Top-K的思想，從通道1和通道3中選擇k個最重要的節(jié)點形成池化圖G_pool1和G_pool2。通道3采用GCN來學習到一個簇分配矩陣，實現(xiàn)對原始圖中所有節(jié)點進行分簇，并將每個簇坍縮為一個超級節(jié)點，形成粗粒度的池化圖G_coarse。

(3)通道間卷積：首先構(gòu)造不同通道所形成的池化圖之間的鄰接矩陣，而后設計一種通道間卷積操作，在不同的池化圖之間執(zhí)行卷積操作，將粗粒度池化圖G_coarse包含的原始圖的整體拓撲信息融合進池化圖G_pool1和G_pool2中節(jié)點的表示，通道間卷積執(zhí)行公式如下：

X₁＝σ([X₁+A₁₂·X_coarse]·W)

其中，X₁表示池化圖G_pool1的特征矩陣，X_coarse為通道2形成的粗粒度池化圖G_coarse的特征矩陣，A₁₂為池化圖G_pool1和G_coarse之間的鄰接矩陣。

(4)池化圖合并：將做完通道間卷積操作后的通道1和通道3中得到的兩個池化圖G_pool1和G_pool2進行合并，得到最終的池化圖G_pool。至此，完成一次完整的池化操作過程。

2.根據(jù)權(quán)利要求1所述的一種基于多通道機制的圖池化方法，利用三個獨立的通道來分別捕獲圖數(shù)據(jù)中蘊含的豐富結(jié)構(gòu)及特征信息：其中，通道1、2、3分別用于捕獲圖的局部拓撲結(jié)構(gòu)信息、全局拓撲結(jié)構(gòu)信息以及重要特征信息，該方法的特征在于：1)將整個池化過程建模成三個方面信息的互補與融合，實現(xiàn)了在池化時對原始圖數(shù)據(jù)中重要結(jié)構(gòu)及特征信息的保留；2)可以以任意比率完成一次池化操作；3)所提的池化方法為一個獨立的模塊，具有一定的可擴展性，可以與GCN、GAT等模塊結(jié)合，進而構(gòu)建一個端到端的圖表示學習及分類模型，完成下游各個領域相關的圖分類任務。