【技术实现步骤摘要】
一种无监督图拓扑变换共变表征学习的方法和装置
本专利技术涉及无监督学习领域，具体涉及一种无监督图拓扑变换共变表征学习的方法和装置。
技术介绍
图(Graph)是不规则数据/非欧几里得数据(例如3D点云、社交网络、引文网络、脑网络等)的一种自然而有效的表征。由于图的强大表现力，图数据的机器学习越来越受到重视，如近年来提出的图卷积神经网络(GraphConvolutionalNeuralNetwork,GCNN)。不过，现有的GCNN模型大多以监督或半监督的方式进行训练，这需要大量的标记样本才能学习到有效的特征表示。由于标记成本较高(特别是在大规模的图上)，现有方法难以进行广泛应用。因此，我们需要以无监督的方式来学习图特征表示，以便适应更多图的学习任务。代表性的无监督学习方法包括自动编码器(Auto-Encoders，AEs)和生成对抗网络(GenerativeAdversarialNetworks，GANs)。自动编码器旨在通过编码器-解码器网络重建输入数据来学习数据的特征表示。相比之下，GAN使用生成器和判别器网络，...
【技术保护点】
1.一种无监督图拓扑变换共变表征学习的方法，其特征在于，包括以下步骤：/n建立图卷积自动编码器网络，包括编码器和解码器；/n编码器分别学习原始图和拓扑变换后的图的节点特征表示，解码器从原始图与拓扑变换后的图的节点特征表示中估计施加在原始图上的拓扑变换；/n通过最小化原拓扑变换和估计的拓扑变换之间的交叉熵来训练整个图卷积自动编码器网络。/n
【技术特征摘要】
1.一种无监督图拓扑变换共变表征学习的方法，其特征在于，包括以下步骤：
建立图卷积自动编码器网络，包括编码器和解码器；
编码器分别学习原始图和拓扑变换后的图的节点特征表示，解码器从原始图与拓扑变换后的图的节点特征表示中估计施加在原始图上的拓扑变换；
通过最小化原拓扑变换和估计的拓扑变换之间的交叉熵来训练整个图卷积自动编码器网络。
2.根据权利要求1所述的方法，其特征在于，从原始图中采样部分节点对，然后以一定的概率翻转这些节点对间边的连通性来实现拓扑变换。
3.根据权利要求1所述的方法，其特征在于，给定图信号和与其对应的邻接矩阵(X,A)，以及经过拓扑变换t的图信号和邻接矩阵如果函数E(·)满足下述等式，那么称函数E(·)是满足变换共变性的：
其中ρ(t)表示在特征空间中t的同态变换。
4.根据权利要求3所述的方法，其特征在于，通过最大化(H,ΔA)和之间的互信息来保证图拓扑变换的变换共变性，其中ΔA为图拓扑变换矩阵，H和为图拓扑变换前后的图信号的特征表示。
5.根据权利要求4所述的方法，其特征在于，将最大化互信息近似为最小化概率分布和间的交叉熵H(p||q)：
其中，表示求解在概率分布下的期望，表示解码器估计的图拓扑变换矩阵。
6.根据权利要求1所述的方法，其特征在于，将图拓扑变换参数分为四种类型，从而将从估计ΔA中的拓扑变换参数问题转换为参数类型的分类问题，所述四种类型包括：
(a)为断开的顶点对添加边：
(b)删除连接的顶点对的边：
(c)保持原始的断开关系：
(d)保持...
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。