[發明專利]一種基于自適應多通道交叉圖卷積網絡的圖分類方法

在審

• 申請號: 202111143448.5
• 申請日: 2021-09-28
• 公開（公告）號: CN113780470A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 李揚定;胡澤輝;蘇子棟;文國秋;周鵬
• 申請（專利權）人: 廣西師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 楊雪梅

1.一種基于自適應多通道交叉圖卷積網絡的圖分類方法，其特征在于，包括如下步驟：

1)基于節點特征矩陣X構造一個初始圖：

用G(X,A)表示圖，其中節點特征矩陣n表示圖中的節點數，d表示每個節點的特征維數，是n個節點的對稱鄰接矩陣，表示節點間的拓撲結構，當A_ij＝1時表示節點i和節點j之間存在一條邊，否則A_ij＝0，表示節點i和節點j之間不存在邊，用余弦相似度來獲取相似度矩陣然后為每個節點選擇前k個相似節點對設置邊，最終得到鄰接矩陣A_f，然后得到特征空間中的輸入圖(X,A_f)；類似地，對于拓撲空間，有原始輸入圖Gt＝(X_t,A_t)，其中X_t＝X，A_t＝A，用同樣地方法獲得拓撲空間的輸入圖(X_t,A_t)；

2)對輸入圖做圖卷積運算：

將輸入圖分別通過拓撲卷積和特征卷積生成拓撲圖和特征圖，使X能夠在特征圖和拓撲圖上傳播，使用特征空間中的輸入圖(X,A_f)，第l層輸出E_f^(l)可以表示為：

其中，是GCN中第l層的權重矩陣，ReLU是ReLU激活函數，且初始而是的對角度矩陣，將嵌入的最后一層輸出表示為E_F；

對于拓撲空間，按照與特征空間相同的方式來學習基于拓撲圖的最終節點嵌入E_T：

其中，W_t^(l)是GCN中第l層拓撲卷積的權重矩陣，且初始因此，提取了原始拓撲空間中的結構信息；

由于拓撲空間和特征空間中的信息具有共同特征，因此設計了一個具有參數共享策略的共同卷積模塊，同時提取拓撲空間和特征空間中特定于節點的嵌入和它們的共享公共信息，以學習共同的嵌入E_CT和E_CF，并采用一致性約束L_c來增強E_CT和E_CF的共同特性；

然后將輸入圖生成兩個具體的嵌入：拓撲嵌入和特征嵌入，以及一個共同嵌入；

3)交叉網絡：

將對每層l進行建模的單位稱為交叉單元，把交叉單元整合到圖卷積網絡中，使用線性組合為特征建模，學習共享特征，提供端到端的學習框架，并學習給定任務集的最佳線性組合，考慮多任務學習的情況，其中在同一輸入中有兩個任務A和B，用交叉單元將A和B這兩個任務組合成一個多任務網絡，從而協調兩個任務共享信息的程度；

給定任務A和B分別來自第l層的兩個特征x_A和x_B，學習了兩個輸入特征的線性組合并組合作為輸入提供給下一層過濾器，使用α參數化此線性組合，在特征的位置(i，j)上：

可以通過將α_AB或α_BA設置為零來決定使某些層做特定的任務，或者通過為它們分配更大的值來選擇共享程度更高的表示，在生成的拓撲圖和共同圖之間使用交叉網絡以自適應學習參數；

4)圖卷積模塊：

在步驟2)和步驟3)運行后，輸入圖已經經過一次圖卷積運算，并在不同任務中重新學習了參數權重，此時輸出圖要繼續通過兩層圖卷積運算，得到最終的拓撲節點嵌入E_T，特征節點嵌入E_F以及兩個共同嵌入E_CT和E_CF，最后再將兩個空間的共同為嵌入E_C；

5)帶注意力機制的全連接層：

現在，有兩個特定的嵌入E_T和E_F，以及一個共同的嵌入E_C，考慮到節點標簽可以與其中之一或它們的組合相關，使用注意力機制來學習它們的相應重要性，對各個節點的嵌入進行加權求和，生成最終的嵌入E；

對于共同卷積模塊的兩個輸出嵌入E_CT和E_CF，首先，使用L2歸一化將嵌入矩陣E_CT和E_CF歸一化為L_CF和L_CT，然后使用兩個歸一化矩陣點乘來捕獲n個節點的相似性S_T和S_F，一致性意味著兩個相似性矩陣應該相似，這產生了以下約束：

把輸出嵌入E用于具有線性變換和softmax函數的半監督多類分類任務，將n個節點的類預測表示為

將實驗數據分為訓練集和測試集，假設訓練集為L，對于每個l∈L，實際標簽為Y_l，而預測標簽為然后，將所有訓練節點上的節點分類的交叉熵損失表示為L_t，最終的目標函數是L_c和L_t的線性組合。