[发明专利]一种基于U型嵌套网络的图分类方法

说明书

本发明公开了一种基于U型嵌套网络的图分类方法。本发明方法从提取更加复杂的多尺度目标出发，通过对Graph U‑Nets进行嵌套，使其能够捕获整体数据的结构信息，同时能够兼顾局部信息和全局信息。本发明提供了一种改进的用于图分类任务的图神经网络，能够提取数据中的复杂结构特征，从而提升预测的准确率。

技术领域

本发明属于深度学习中的图神经网络领域，主要用于图分类相关的任务。

背景技术

随着近年来深度学习的快速发展，深度学习在图像、视频、自然语言处理和语音等领域取得了巨大的成功。但是这些任务处理的数据通常是欧式数据，在实际生活中有许多天然以图形式存在的复杂的不规则的数据(比如社交网络、分子结构等)，图像上经典的CNN等算法并不能简单的迁移应用于图数据。面对这些挑战，许多研究人员开始寻求新的深度学习方法来解决图相关的问题。

近年来，图神经网络在图表示学习中取得了巨大的成功。当前GNN的本质是消息传递，但是，以迭代方式汇聚邻居节点的消息是平坦的，并且缺乏以分层方式聚合节点信息的能力^[1]。图结构数据当中存在着一定的模式，比如在化学分子中，多个原子组合在一起可以充当官能团，所以加入这种合理的归纳偏置对于模型性能提升有一定的影响。

对于图分类任务来说，局部特征和全局特征的作用都不可忽视。为了获得全局信息，普通GNN的做法是迭代多次，但是迭代多次后性能会大幅下降，最近的一些工作将其称为过平滑^[2]，认为随着迭代次数的增加，同一连通分量内的节点的特征会变得越来越不可区分。为了解决这个问题，一种方法是在不同层的特征之间加入跳跃连接，让网络自行调节局部特征和全局特征的影响。另一种方法是全局池化，全局池化考虑整个图的特征，主要使用求和或者神经网络来池化每一层的所有节点特征。但是全局池化不能得到图的结构信息。最近的一些工作表明对于图分类任务来说，分层池化是一种非常有效的方法。分层池化的主要思想是在每层学习一个节点的分配矩阵，用于确定下一层的图结构。分层池化的方法能够获取多尺度的特征并且学习图的结构信息。

U-Net^[3]是一种U型结构的编码解码结构，模型进行多次下采样和上采样，在同一水平层之间增加了跳跃连接，这样的分层结构使得其不至于损失太多的低层结构信息，并且拥有分层池化的所有优点。Graph U-Nets^[4]在图上构建了类似U-Net的编码解码结构。然而，Graph U-Nets的深度只有简单的2到3层，每层只进行一次卷积操作，这限制了其提取复杂特征的能力。

发明内容

发明目的：本发明提供了一种基于U型嵌套网络的图分类方法(Graph U²-Nets)，通过将Graph U-Nets进行嵌套，使得其能够提取更加丰富的多尺度特征，从而提高预测的准确性。

技术方案：为实现上述目的，本发明采用的技术方案为：

为实现上述目的，本发明采用的技术方案为：

步骤1)把Graph U-Nets的U型结构作为我们提出的基于U型嵌套网络的图分类方法一个整体块，称之为Graph U-Block。

步骤2)用Graph U-Block替换Graph U-Nets中的图卷积神经网络，构成新的嵌套的U型网络。

步骤3)把U型网络右端各层Graph U-Block的输出送入Readout模块，然后把各层Readout的结果拼接在一起，最后送入多层全连接网络得到预测结果。

步骤4)把图结构的数据输入模型，训练整个模型，并评估模型性能。

有益效果：

1)本发明提供了一种基于U型嵌套网络的图分类方法。该网络结构相比于GraphU-Nets和图上的池化方法，能够提取更加丰富的多尺度特征。