[发明专利]一种基于自适应多通道交叉图卷积网络的图分类方法

说明书

本发明公开了一种基于自适应多通道交叉图卷积网络的图分类方法，包括如下步骤：1）基于节点特征矩阵X构造一个初始图；2）对输入图做图卷积运算；3）交叉网络；4）图卷积模块；5）带注意力机制的全连接层。这种方法充分利用了空间中的信息，消除了在每个任务的基础上搜索多个多任务网络体系结构的需求，确保了学习嵌入的一致性。

技术领域

本发明涉及人工智能技术领域，具体是一种基于自适应多通道交叉图卷积网络的图分类方法。

背景技术

卷积神经网络(Convolutional Neural Networks,CNN)通常用于欧几里得结构数据的表示和学习。然而，传统的卷积神经网络无法处理如社交网络、引文网络等具有不规则结构的图结构数据。图卷积网络(Graph Convolutional Networks，GCN)作为CNN从欧几里得结构数据图到非欧几里得结构数据图的扩展，因其独特的计算能力，而受到学者们广泛的关注与研究，用于在机器学习和计算机视觉领域中进行图数据的表示和学习。与之前的深度学习构架相反，GCN的参数较少，可以处理具有非欧几里得几何形状的不规则数据，并将关系归纳偏差引入数据驱动的系统中。因此，通常认为图神经网络可以学习图数据的任意表示，于是被广泛地应用于图分析(如链接预测，节点分类，图分类)。

尽管GCN取得了巨大的成功，但大多数GCN仍被部署为图形数据的黑匣子特征提取器，尚不清楚这些模型在多大程度上可以捕获不同的图形特征，这是因为GCN及其变体通常遵循端到端的特征学习，关键步骤是特征聚合，即节点在每个卷积层中聚合来自其拓扑邻居的特征信息。以这种方式，特征信息通过网络拓扑传播到节点嵌入，然后将学习到的节点嵌入用于分类任务。整个过程由节点标签部分监督。

为了更深入地了解GCN在融合节点特征和拓扑结构的能力，研究人员已经做出许多努力。例如，Duvenaud等人提出了一种卷积神经网络，它为图形数据提供了端到端的特征学习。Keyulu等人将表达能力定义为学习多种功能的能力，并证明了GCN在图同构测试任务上能与Weisfeiler-Lehman检验一样强，但前提是假设GCN具有无限数量的隐藏单元和层。Atwood等人通过采用图扩散过程将节点的上下文信息纳入图数据分类中，提出了Diffusion卷积神经网络。李其迈等人表明，GCN的成功来自网络拓扑和标签信息，该信息仅用于训练完全连接的网络(Fully Convolutional Networks，FCN)中的参数，实际上对节点特征执行拉普拉斯平滑，并使嵌入整个网络的节点逐渐收敛。吴冠逸等人证明当特征信息在网络拓扑结构上传播时，拓扑结构在节点特征上起着低通滤波的作用。王萧等人考虑了GCN中网络拓扑和节点特征的融合机制，研究了如何从拓扑和节点特征中自适应地学习最相关的信息，并融合它们以进行分类。但是，GCN尚未充分利用网络拓扑的潜力，FCN的灵活性也受到限制。具体而言，由于某些稀疏性和噪声，导致同类节点可能相隔很远，不同类节点直接相连，而GCN并未考虑这些现象。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于自适应多通道交叉图卷积网络的图分类方法。这种方法可充分利用空间中的信息，消除了在每个任务的基础上搜索多个多任务网络体系结构的需求，确保了学习嵌入的一致性。

实现本发明目的的技术方案是：

一种基于自适应多通道交叉图卷积网络的图分类方法，包括如下步骤：

1)基于节点特征矩阵X构造一个初始图：