[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

说明书

本发明提供了一种基于小样本学习的图神经网络分类方法及装置，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，包括如下步骤：利用训练好的特征提取器对小样本数据进行特征提取得到未知节点；将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；利用预定的成员函数对边预测结果计算隶属度得到隶属度值，并根据隶属度值对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；将更新后图结构输入训练好的图神经网络分类器得到节点分类结果。本发明可以从小样本数据提供的图结构中学习到准确的关系，具有更强的关系归纳偏差，从而更好地完成小样本分类任务。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于小样本学习的图神经网络分类方法及装置。

背景技术

深度神经网络的成功推动了诸多计算机视觉任务的研究，如：图像分类、对象检测和语义分割。然而，深度模型的成功部分归因于大型训练数据的可用性。这个前提条件不仅限制了可以应用模型的领域，而且不符合人类的认知过程。因为人可以根据过去的经验，仅通过一个或几个示例就可以快速学习新概念，所以越来越多的研究人员将注意力转向小样本学习。小样本学习是通过仅针对每个对象的几个训练示例来学习新对象。对于人类来说这不是很困难，但是对于机器而言仍然是一个具有挑战性的问题。

受人类学习的启发，研究人员探索出了一种用于小样本学习的元学习过程，该过程可以基于先前的经验获得知识，并以很少的标记数据解决新任务。具体地，元学习策略可以通过分配相似的任务来学习如何以很少的训练数据，并有效地识别未见过的类型。元学习策略会从多个相似的任务中学习一个跨任务元学习器，进而总结出一个通用的表示形式，从而为看不见的类的新任务提供更好的初始化。

目前，有研究表明利用上述元学习范例可以解决少量镜头图像分类的问题。本质上，这些方法学习相似性度量，并将标签信息从图像的支持集传播到查询集。由于在学习中非常需要充分利用支持集和查询之间的关系，因此引入了图神经网络来处理每个识别任务上的丰富关系结构。图神经网络通过消息传递算法迭代地聚合邻居的特征，因此表达了支持和查询实例之间的复杂交互。尤其是，几次学习中的图神经网络方法通过优化节点和边更新特征来获得更好的性能，从而学习类间的唯一性和类内的通用性，使用以节点为中心的图神经网络在连接的节点之间传播消息，以对未标记的样本进行分类，迭代更新边缘标签，以推断与现有支持集的查询关联。

然而，在现有的利用图神经网络处理关系结构的方法中，因为每项少量任务都不具有固有的图结构，所以它们被构造为具有边权重的完全连接图。而这种结构导致图神经网络的关系感应偏弱，从而带来因图结构不精确而无法在图中学习准确的关系的问题，同时，图结构可能会通过不相关节点之间的边缘传播噪声。另外，少量任务中的关系是指样本之间的相似性，而“相似”又是一个模糊的概念，没有明确定义，因此少量任务中的关系较难学习。

发明内容

为解决上述问题，提供一种利用模糊理论对小样本数据的图结构进行处理从而增强关系归纳偏差的图神经网络分类方法及装置，本发明采用了如下技术方案：

本发明提供了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小样本数据进行特征提取得到未知节点；步骤S2，将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边预测结果计算隶属度得到隶属度值μ：

式中，e_ij为边预测结果，ζ、η均为超参数，f_μ为边预测结果e_ij的线性函数，并根据隶属度值对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，将更新后图结构输入训练好的图神经网络分类器得到节点分类结果。