【技术实现步骤摘要】
基于相互学习的图卷积神经网络节点分类方法、存储介质和终端
本专利技术涉及神经网络领域，尤其涉及基于相互学习的图卷积神经网络节点分类方法、存储介质和终端。
技术介绍
图数据具有不规则和多变的数据结构，用来表示各个对象以及它们之间的相互关系，它可以应用于社交网络、交通网络和生物化学分子网络等众多领域。图数据表示已成为一个日益热门的研究领域。图神经网络是基于深度学习技术最流行的图表示方法，尤其是图卷积网络方法将卷积运算从传统图像数据推广到图数据，已显示出显著的学习能力。相互学习并不需要先前强大的“教师”网络，只需要一组学生网络即可有效的训练，并且结果要强于有“教师”指导的网络，但现有的相互学习网络的数量通常为两个，但是采用该方式会使得数据并不准确。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供基于相互学习的图卷积神经网络节点分类方法、存储介质...
【技术保护点】
1.基于相互学习的图卷积神经网络节点分类方法，其特征在于：包括以下步骤：/n将待分类数据输入训练后的相互学习网络，得到节点分类结果；所述相互学习网络包括的训练以下子步骤：/n利用损失函数L
【技术特征摘要】
1.基于相互学习的图卷积神经网络节点分类方法，其特征在于：包括以下步骤：
将待分类数据输入训练后的相互学习网络，得到节点分类结果；所述相互学习网络包括的训练以下子步骤：
利用损失函数Lk，对包括三个及以上的学生网络的相互学习网络进行训练；所述损失函数Lk包括自身交叉熵损失函数和KL损失函数；所述损失函数包括：
式中，N表示学生网络的数量，k表示第k个学生网络，l表示除开第k个学生网络以外的学生网络，DKL(pl||pk)表示第k个学生网络相对第l个学生网络的KL损失，pl表示第l个学生网络的预测输出，pk表示第k个学生网络的预测输出；κ用于控制KL损失的权重，κ＜1。
2.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述KL损失函数具体为：
式中，M表示学生网络输入中的标签label中类别的数量，表示学生网络l预测节点xi属于类别m的概率，也就是该网络的输出。
3.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述自身交叉熵损失函数具体为：
式中，M表示学生网络输入中的标签label中类别的数量，表示学生网络k预测节点xi属于类别m的概率，yi表示该学生网络对第i个节点所属类别的预测值，信号函数
4.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述学生网络的输入包括P、X和label；X表示节点自身的特征，label表示所属的类别；
其中，构建一个Q×Q维的矩阵P，P中第i行第j的值mij表示图中第i个和j个节点的连接状态，若两个节点为边连接则mij为1，若两个节点没有边连接则mij为0，其中，i＝1,2……N，j＝1,2……N；<...
【专利技术属性】
技术研发人员：匡平，高宇，李凡，彭江艳，黄泓毓，段其鹏，刘晨阳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。