[發明專利]基于位置學習圖卷積神經網絡的圖分類方法及系統在審
| 申請號： | 202110413687.1 | 申請日： | 2021-04-16 |
| 公開（公告）號： | CN113128587A | 公開（公告）日： | 2021-07-16 |
| 發明（設計）人： | 沈華偉;王兆慧;曹婍;徐冰冰;岑科廷;程學旗 | 申請（專利權）人： | 中國科學院計算技術研究所 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京律誠同業知識產權代理有限公司 11006 | 代理人： | 祁建國 |
| 地址： | 100080 北*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 位置 學習 圖卷 神經網絡 分類 方法 系統 | ||
1.一種基于位置學習圖卷積神經網絡的圖分類方法，其特征在于，包括：
步驟1、獲取由節點和邊構成的圖數據，以該圖數據中每個節點為中心，取節點的自我網絡圖作為子圖；
步驟2、利用子圖的特征和結構信息，為子圖上的節點學習其在子圖表示空間的位置，將子圖中表示空間位置相同的節點合并為超節點，得到子圖間相同大小的局部感受野，利用和局部感受野大小相同的卷積核對該局部感受野進行特征提取，得到每個子圖的第一特征Hlocal；
步驟3、根據該第一特征Hlocal，為圖上的節點學習其在圖表示空間的位置，將該圖數據中表示空間位置相同的節點合并為超節點，得到固定大小的全局感受野，利用和全局感受野大小相同的卷積核對該全局感受野進行特征提取，得到該圖數據的第二特征Hglob；
步驟4、根據該第二特征對該圖數據進行分類，得到該圖數據的分類結果。
2.如權利要求1所述的基于位置學習圖卷積神經網絡的圖分類方法，其特征在于，該步驟2包括：
圖數據G包含的節點集合以每個節點為中心，取節點的n-hop自我網絡圖，其中，n一般是{2，3，4}。接著，利用子圖上節點的特征信息和結構信息，我們采用圖同構神經網絡為子圖上節點學習節點表示：
其中，為子圖Gi上節點v在第k層圖同構神經網絡中的特征表示，Ni(v)為節點v的鄰居節點集合，MLP為多層感知機，為子圖Gi中節點v的鄰居節點u在第k-1層圖同構神經網絡中的特征表示。
3.如權利要求2所述的基于位置學習圖卷積神經網絡的圖分類方法，其特征在于，該步驟2包括：
集合節點v在同構神經網絡中每一層的特征表示，得到節點v的特征表示hv，i，當前子圖Gi的中心節點vi，節點vi表示為則節點v在表示空間的位置為：
4.如權利要求3所述的基于位置學習圖卷積神經網絡的圖分類方法，其特征在于，該步驟2包括：
子圖上所有節點的位置矩陣為其中，|Vi|是子圖上節點的個數，Mlocal是子圖空間上位置的個數，整個子圖上節點的表示是將處于同一位置的節點加權求和，得到新的超節點，則子圖構成的局部感受野可以表示為：
其中，D是特征維度；
利用W個和局部感受野大小相同的卷積核對其進行特征提取，得到第i個子圖的局部卷積
其中，K(w)表示第w個局部卷積核，b(w)表示偏置項，F表示F內積，σ()是非線性激活函數，W是模型中的一個超參數；
子圖Gi在局部卷積后的特征映射為所有子圖共享同樣的W個卷積核，經過局部卷積的全圖特征映射為
5.如權利要求4所述的基于位置學習圖卷積神經網絡的圖分類方法，其特征在于，該步驟3包括：
通過下式得到全局感受野
其中，表示所有子圖表示的均值，是全局感受野，Mglob表示圖上表示空間的位置個數；
在全局感受野上進行卷積以提取全局特征
其中，是全局卷積的第u個卷積核，最終整個圖數據的表示，即為該第二特征
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院計算技術研究所，未經中國科學院計算技術研究所許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110413687.1/1.html，轉載請聲明來源鉆瓜專利網。
