[發(fā)明專利]一種基于張量圖卷積網(wǎng)絡(luò)的節(jié)點(diǎn)分類方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210536635.8
• 申請(qǐng)日: 2022-05-17
• 公開（公告）號(hào): CN114912529A
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計(jì)）人: 陳川;吳哲彬;鄭子彬
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 楊小紅

本發(fā)明提供了一種基于張量圖卷積網(wǎng)絡(luò)的節(jié)點(diǎn)分類方法及系統(tǒng)，方法包括：根據(jù)圖數(shù)據(jù)生成多個(gè)不同視角的單視角增強(qiáng)圖，根據(jù)圖數(shù)據(jù)和得到的多個(gè)單視角增強(qiáng)圖進(jìn)行張量化操作得到一個(gè)多視角增強(qiáng)圖；其中，圖數(shù)據(jù)包括圖的鄰接矩陣和特征矩陣，特征矩陣由圖中所有節(jié)點(diǎn)的特征向量構(gòu)成，多視角增強(qiáng)圖包括鄰接張量和特征張量，鄰接張量的每個(gè)前切面表示對(duì)應(yīng)視角的單視角增強(qiáng)圖的鄰接矩陣，特征張量的每個(gè)前切面表示對(duì)應(yīng)視角的單視角增強(qiáng)圖的特征矩陣；將多視角增強(qiáng)圖的鄰接張量和特征張量輸入到訓(xùn)練好的張量圖卷積網(wǎng)絡(luò)模型中，輸出圖數(shù)據(jù)中各節(jié)點(diǎn)的預(yù)測(cè)分類結(jié)果。本發(fā)明從圖數(shù)據(jù)預(yù)處理和模型架構(gòu)提高張量圖卷積網(wǎng)絡(luò)模型的魯棒性，遭受對(duì)抗攻擊時(shí)仍較穩(wěn)定。

技術(shù)領(lǐng)域

本發(fā)明涉及圖神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其是涉及一種基于張量圖卷積網(wǎng)絡(luò)的節(jié)點(diǎn)分類方法及系統(tǒng)。

背景技術(shù)

圖是描述實(shí)體間關(guān)系的基本數(shù)據(jù)結(jié)構(gòu)，如社交網(wǎng)絡(luò)、學(xué)術(shù)應(yīng)用網(wǎng)絡(luò)以及蛋白質(zhì)網(wǎng)絡(luò)等，學(xué)習(xí)和挖掘圖數(shù)據(jù)有助于解決各類現(xiàn)實(shí)應(yīng)用問題。圖神經(jīng)網(wǎng)絡(luò)(GraphConvolutional Network，GCN)是一種新型的人工智能神經(jīng)網(wǎng)絡(luò)，近年來(lái)已經(jīng)被廣泛應(yīng)用于許多領(lǐng)域，例如節(jié)點(diǎn)分類、鏈路預(yù)測(cè)和推薦系統(tǒng)等。

盡管圖神經(jīng)網(wǎng)絡(luò)目前已取得了令人滿意的成績(jī)，但是作為深度學(xué)習(xí)在圖結(jié)構(gòu)數(shù)據(jù)上的拓展，其依舊非常容易遭受對(duì)抗攻擊的影響。除此之外，消息傳遞機(jī)制在支撐起整個(gè)圖神經(jīng)網(wǎng)絡(luò)核心的同時(shí)，也存在著嚴(yán)重的隱患，對(duì)對(duì)抗攻擊的抵抗性十分脆弱。這是由于圖神經(jīng)網(wǎng)絡(luò)中消息在進(jìn)行傳播的時(shí)候，對(duì)抗攻擊所帶來(lái)的虛假消息也同時(shí)跟著傳播，從而導(dǎo)致全局節(jié)點(diǎn)的表征性能嚴(yán)重受到影響。

現(xiàn)實(shí)中的圖結(jié)構(gòu)數(shù)據(jù)集即使在未遭受對(duì)抗攻擊的情況下，通常也帶有一定的噪聲擾動(dòng)或者離群點(diǎn)，而此時(shí)模型的缺乏魯棒性可能會(huì)導(dǎo)致不理想的結(jié)果，特別是與安全和隱私相關(guān)的重要應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于張量圖卷積網(wǎng)絡(luò)的節(jié)點(diǎn)分類方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中圖神經(jīng)網(wǎng)絡(luò)模型缺乏魯棒性、對(duì)對(duì)抗攻擊的防御能力較弱的技術(shù)問題。

本發(fā)明的目的，可以通過(guò)如下技術(shù)方案實(shí)現(xiàn)：

一種基于張量圖卷積網(wǎng)絡(luò)的節(jié)點(diǎn)分類方法，包括：

根據(jù)圖數(shù)據(jù)生成多個(gè)不同視角的單視角增強(qiáng)圖，根據(jù)圖數(shù)據(jù)和得到的多個(gè)單視角增強(qiáng)圖進(jìn)行張量化操作，并通過(guò)低秩近似以得到一個(gè)多視角增強(qiáng)圖；

其中，所述圖數(shù)據(jù)包括圖的鄰接矩陣和特征矩陣，所述特征矩陣由圖中所有節(jié)點(diǎn)的特征向量構(gòu)成，所述多視角增強(qiáng)圖包括鄰接張量和特征張量，所述鄰接張量的每個(gè)前切面表示對(duì)應(yīng)視角的單視角增強(qiáng)圖的鄰接矩陣，所述特征張量的每個(gè)前切面表示對(duì)應(yīng)視角的單視角增強(qiáng)圖的特征矩陣；

將所述多視角增強(qiáng)圖的鄰接張量和特征張量輸入到訓(xùn)練好的張量圖卷積網(wǎng)絡(luò)模型中，輸出所述圖數(shù)據(jù)中各節(jié)點(diǎn)的預(yù)測(cè)分類結(jié)果。

可選地，根據(jù)圖數(shù)據(jù)和得到的多個(gè)單視角增強(qiáng)圖進(jìn)行張量化操作得到一個(gè)多視角增強(qiáng)圖包括：

將圖數(shù)據(jù)和得到的多個(gè)單視角增強(qiáng)圖進(jìn)行重構(gòu)，得到第一多視角增強(qiáng)圖，所述第一多視角增強(qiáng)圖包括第一鄰接張量和特征張量；

對(duì)所述第一鄰接張量進(jìn)行張量分解得到第二鄰接張量；

基于所述第二鄰接張量和特征張量生成第二多視角增強(qiáng)圖，所述第二鄰接張量為所述第二多視角增強(qiáng)圖的鄰接張量。

可選地，對(duì)所述第一鄰接張量進(jìn)行張量分解得到第二鄰接張量包括：

利用基于張量的奇異值分解方法對(duì)所述第一鄰接張量進(jìn)行張量分解，得到所述第一鄰接張量的低秩近似值作為第二鄰接張量。

可選地，所述張量圖卷積網(wǎng)絡(luò)模型包括輸入層、二層張量圖卷積層、全連接層和輸出層，對(duì)所述張量圖卷積網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程包括：