[發(fā)明專利]一種基于自適應(yīng)多通道交叉圖卷積網(wǎng)絡(luò)的圖分類方法

在審

• 申請?zhí)枺?/td>: 202111143448.5
• 申請日: 2021-09-28
• 公開（公告）號: CN113780470A
• 公開（公告）日: 2021-12-10
• 發(fā)明（設(shè)計）人: 李揚定;胡澤輝;蘇子棟;文國秋;周鵬
• 申請（專利權(quán)）人: 廣西師范大學(xué)
• 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(biāo)事務(wù)所有限責(zé)任公司 45112
• 代理人: 楊雪梅

本發(fā)明公開了一種基于自適應(yīng)多通道交叉圖卷積網(wǎng)絡(luò)的圖分類方法，包括如下步驟：1）基于節(jié)點特征矩陣X構(gòu)造一個初始圖；2）對輸入圖做圖卷積運算；3）交叉網(wǎng)絡(luò)；4）圖卷積模塊；5）帶注意力機制的全連接層。這種方法充分利用了空間中的信息，消除了在每個任務(wù)的基礎(chǔ)上搜索多個多任務(wù)網(wǎng)絡(luò)體系結(jié)構(gòu)的需求，確保了學(xué)習(xí)嵌入的一致性。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體是一種基于自適應(yīng)多通道交叉圖卷積網(wǎng)絡(luò)的圖分類方法。

背景技術(shù)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)通常用于歐幾里得結(jié)構(gòu)數(shù)據(jù)的表示和學(xué)習(xí)。然而，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)無法處理如社交網(wǎng)絡(luò)、引文網(wǎng)絡(luò)等具有不規(guī)則結(jié)構(gòu)的圖結(jié)構(gòu)數(shù)據(jù)。圖卷積網(wǎng)絡(luò)(Graph Convolutional Networks，GCN)作為CNN從歐幾里得結(jié)構(gòu)數(shù)據(jù)圖到非歐幾里得結(jié)構(gòu)數(shù)據(jù)圖的擴展，因其獨特的計算能力，而受到學(xué)者們廣泛的關(guān)注與研究，用于在機器學(xué)習(xí)和計算機視覺領(lǐng)域中進行圖數(shù)據(jù)的表示和學(xué)習(xí)。與之前的深度學(xué)習(xí)構(gòu)架相反，GCN的參數(shù)較少，可以處理具有非歐幾里得幾何形狀的不規(guī)則數(shù)據(jù)，并將關(guān)系歸納偏差引入數(shù)據(jù)驅(qū)動的系統(tǒng)中。因此，通常認(rèn)為圖神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)圖數(shù)據(jù)的任意表示，于是被廣泛地應(yīng)用于圖分析(如鏈接預(yù)測，節(jié)點分類，圖分類)。

盡管GCN取得了巨大的成功，但大多數(shù)GCN仍被部署為圖形數(shù)據(jù)的黑匣子特征提取器，尚不清楚這些模型在多大程度上可以捕獲不同的圖形特征，這是因為GCN及其變體通常遵循端到端的特征學(xué)習(xí)，關(guān)鍵步驟是特征聚合，即節(jié)點在每個卷積層中聚合來自其拓?fù)溧従拥奶卣餍畔ⅰＲ赃@種方式，特征信息通過網(wǎng)絡(luò)拓?fù)鋫鞑サ焦?jié)點嵌入，然后將學(xué)習(xí)到的節(jié)點嵌入用于分類任務(wù)。整個過程由節(jié)點標(biāo)簽部分監(jiān)督。

為了更深入地了解GCN在融合節(jié)點特征和拓?fù)浣Y(jié)構(gòu)的能力，研究人員已經(jīng)做出許多努力。例如，Duvenaud等人提出了一種卷積神經(jīng)網(wǎng)絡(luò)，它為圖形數(shù)據(jù)提供了端到端的特征學(xué)習(xí)。Keyulu等人將表達能力定義為學(xué)習(xí)多種功能的能力，并證明了GCN在圖同構(gòu)測試任務(wù)上能與Weisfeiler-Lehman檢驗一樣強，但前提是假設(shè)GCN具有無限數(shù)量的隱藏單元和層。Atwood等人通過采用圖擴散過程將節(jié)點的上下文信息納入圖數(shù)據(jù)分類中，提出了Diffusion卷積神經(jīng)網(wǎng)絡(luò)。李其邁等人表明，GCN的成功來自網(wǎng)絡(luò)拓?fù)浜蜆?biāo)簽信息，該信息僅用于訓(xùn)練完全連接的網(wǎng)絡(luò)(Fully Convolutional Networks，F(xiàn)CN)中的參數(shù)，實際上對節(jié)點特征執(zhí)行拉普拉斯平滑，并使嵌入整個網(wǎng)絡(luò)的節(jié)點逐漸收斂。吳冠逸等人證明當(dāng)特征信息在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上傳播時，拓?fù)浣Y(jié)構(gòu)在節(jié)點特征上起著低通濾波的作用。王蕭等人考慮了GCN中網(wǎng)絡(luò)拓?fù)浜凸?jié)點特征的融合機制，研究了如何從拓?fù)浜凸?jié)點特征中自適應(yīng)地學(xué)習(xí)最相關(guān)的信息，并融合它們以進行分類。但是，GCN尚未充分利用網(wǎng)絡(luò)拓?fù)涞臐摿Γ現(xiàn)CN的靈活性也受到限制。具體而言，由于某些稀疏性和噪聲，導(dǎo)致同類節(jié)點可能相隔很遠，不同類節(jié)點直接相連，而GCN并未考慮這些現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，而提供一種基于自適應(yīng)多通道交叉圖卷積網(wǎng)絡(luò)的圖分類方法。這種方法可充分利用空間中的信息，消除了在每個任務(wù)的基礎(chǔ)上搜索多個多任務(wù)網(wǎng)絡(luò)體系結(jié)構(gòu)的需求，確保了學(xué)習(xí)嵌入的一致性。

實現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種基于自適應(yīng)多通道交叉圖卷積網(wǎng)絡(luò)的圖分類方法，包括如下步驟：

1)基于節(jié)點特征矩陣X構(gòu)造一個初始圖：