[发明专利]一种基于小样本学习的图神经网络分类方法及装置

权利要求书

1.一种基于小样本学习的图神经网络分类方法，用于对小样本数据进行分类得到节点分类结果，其特征在于，包括如下步骤：

步骤S1，利用训练好的特征提取器对所述小样本数据进行特征提取得到未知节点；

步骤S2，将所述未知节点初始化为全连接图结构并输入训练好的关系编码器进行边缘预测，得到边预测结果；

步骤S3，利用预定的成员函数对所述边预测结果计算隶属度得到隶属度值μ：

式中，e_ij为所述边预测结果，ζ、η均为超参数，f_μ为所述边预测结果e_ij的线性函数，并根据所述隶属度值对所述全连接图结构中的边进行删除从而得到非完全连接的模糊状态的图结构作为更新后图结构；

步骤S4，将所述更新后图结构输入训练好的图神经网络分类器得到所述节点分类结果。

2.根据权利要求1所述的基于小样本学习的图神经网络分类方法，其特征在于：

其中，所述训练好的特征提取器、所述训练好的关系编码器以及训练好的图神经网络分类器构成一个模糊图神经网络模型，该模糊图神经网络模型训练过程包括如下步骤：

步骤E1，利用预定的采样方法对训练数据集进行采样得到小样本的支撑集以及查询集；

步骤E2，搭建包括特征提取器、关系编码器以及图神经网络分类器的初始模糊图神经网络模型；

步骤E3，利用所述特征提取器对所述支撑集进行特征提取得到训练节点；

步骤E4，将所述训练节点初始化为全连接状态的图结构并输入所述关系编码器进行边缘预测，得到边标签预测结果；

步骤E5，利用所述成员函数对所述边标签预测结果计算隶属度得到边隶属度值，并根据所述边隶属度值对所述图结构中的边进行删除从而得到不再完全连接的图结构作为模糊图结构；

步骤E6，将所述模糊图结构输入所述图神经网络分类器得到节点预测结果；

步骤E7，基于所述查询集、所述边标签预测结果以及所述节点预测结果构建损失函数，并根据该损失函数更新所述初始模糊图神经网络模型直到收敛从而得到所述模糊图神经网络模型。

3.根据权利要求1所述的基于小样本学习的图神经网络分类方法，其特征在于：

其中，所述关系编码器为基于GNN的度量网络。

4.根据权利要求1所述的基于小样本学习的图神经网络分类方法，其特征在于：

其中，所述特征提取器的网络结构为ResNet-12。

5.根据权利要求1所述的基于小样本学习的图神经网络分类方法，其特征在于：

其中，所述图神经网络分类器为以节点为中心的图神经网络。

6.一种基于小样本学习的图神经网络分类装置，用于对小样本数据进行分类得到节点分类结果，其特征在于，包括：

特征提取部，利用训练好的特征提取器对所述小样本数据进行特征提取得到未知节点；

边预测部，将所述未知节点初始化为全连接图结构并输入训练好的关系编码器进行边缘预测，得到边预测结果；

图结构模糊处理部，利用预定的成员函数对所述边预测结果计算隶属度得到隶属度值，并根据所述隶属度值对所述全连接图结构中的边进行删除从而得到非完全连接的模糊状态的图结构作为更新后图结构；以及

节点分类部，将所述更新后图结构输入训练好的图神经网络分类器得到所述节点分类结果。