[发明专利]一种基于迭代优化的局部感知图表示学习方法

说明书

本发明公开了一种基于迭代优化的局部感知图表示学习方法，在每次迭代过程中，通过将全局统计标签图和个体标签分布图进行融合，为每个图像样本动态地构建不同的标签图，实现标签节点之间相关性的自适应。对每个图像学习特定的节点特征表示，同时利用过去的预测结果作为指导，来预测图像的多标签。并且，在迭代优化的模型框架中，通过构建重复的网络模块，实现了多标签预测结果的从粗糙到精细的优化过程。本发明采用上述的一种基于迭代优化的局部感知图表示学习方法，可以实现更加鲁棒的多标签预测。

技术领域

本发明涉及图表示学习技术领域，尤其是涉及一种基于迭代优化的局部感知图表示学习方法。

背景技术

图是一种能够描述事物之间复杂关系的数据结构，由若干个节点以及节点之间的边构成。节点可以表示各种物体，边可以表示各种相关性。图的表示学习旨在利用图的结构信息和节点的特征，获取鲁棒性更强、判别性更高的图或者节点的特征表示。经过表示学习后，相关性强的节点其更新后的特征更加相似，相关性弱的节点其学习到的特征将更加不同，更具判别性的节点特征将可以更好地支持各种下游任务。

随着网络数据量的急剧增加，图的表示学习广泛应用于各种任务中。面对网络中海量的图像数据，为实现对图像数据的有效管理划分，对图像进行多标签的分类就显得尤为重要。根据图像分类后的多标签，即可以实现图像的分类管理，如手机的智能相册等，又能便于图像的查询，依据标签信息从海量图像中快速检索到需要的图像，更能促进计算机视觉对图像的深层次理解，有利于未来无人驾驶、智能机器人等技术的进一步发展。在图像的多标签分类任务中，起初传统的人工标注费时费力，而后基于深度学习的方法实现了自动化地标签分类，如今为进一步提升图像的多标签分类性能，基于图的表示学习方法成为了当下的研究热点。通过将图像的各个标签看作节点，建模节点之间复杂的相关性，从而构建出标签图。基于构建出的标签图，对其进行图的表示学习，获取各个标签节点鲁棒且具有判别性的表征，并将其与图像特征相结合，实现最后的多标签分类。

具体来说，图表示学习的目的是通过图的结构信息进行节点之间的信息交互，使得相关性强的节点之间其特征的相似度高，相关性弱的节点之间其特征相似度则低。因此，图的表示学习可以为各种下游任务(如：图分类、多标签分类等)提供鲁棒的节点嵌入表示。对于图的表示学习，可以大致分为基于传统的图表示学习方法和基于深度学习的图表示方法。传统的图表示学习方法主要包括基于流形正则的方法和基于重构的方法。基于流形正则的方法主要通过利用图的结构信息作为图数据在流形空间上的距离，如局部线性嵌入、ISOMAP等方法。基于重构的方法主要通过特征向量计算、矩阵分解等计算方式，实现对图数据的压缩以及复原，以最大限度地保留原始图数据中的有用信息，如主成分分析、谱聚类等方法。

而基于深度学习的图表示方法主要包括了图卷积网络、图注意力网络以及图自编码器等众多的分支。图卷积网络可以看作是卷积神经网络在图数据上的扩展延伸。根据图卷积对数据处理方式的不同，可以将其分为谱域图卷积网络和空域图卷积网络：(1)谱域图卷积网络是通过将图信号作为拉普拉斯矩阵，并利用傅里叶变换获取其频域信号，图卷积操作就是通过在谱域中进行滤波操作实现的，如GCN、SGCN等；(2)空域图卷积网络可以看作是对卷积神经网络在图数据上的模仿，通过在空间域上定义图卷积操作，实现中心节点和周围一阶邻居节点信息的聚合，如GraphSAGE、DCNN等。图注意力网络启发于人类的视觉机制，将信息中重要的部分给予更大的权重，增强该部分的信号；同时对那些不重要的信息赋予更小的权重，抑制这部分信息的流通，减少对模型学习的干扰，如GAT、GaAN等。图自编码器通过对图数据进行编码、解码的操作，利用KL散度和重构误差实现参数的优化，最终将节点的隐变量作为节点的嵌入表示并用于支持各种下游任务，如VGAE、 ARGA以及ARVGA等。