一种基于互信息压缩的紧致图结构学习方法技术

本发明专利技术公开了一种基于互信息压缩的紧致图结构学习方法，包括以下步骤：S1、以两个基础视图作为模型输入；S2、利用视图评估器分别调整两个基础视图，得到两个评估后的视图；S3、将两个评估后的视图进行自适应聚合，得到最终视图；S4、利用互信息估计器最小化两个评估后的视图和最终视图中两两视图之间的互信息，利用三折优化确保最终视图最小且充分。本发明专利技术从理论上提出了“最小充分结构”的概念，并通过理论证明，给出得到最小充分结构的方法，同时保持所学图结构在下游任务上的准确性和鲁棒性。所学图结构在下游任务上的准确性和鲁棒性。所学图结构在下游任务上的准确性和鲁棒性。

【技术实现步骤摘要】
一种基于互信息压缩的紧致图结构学习方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于互信息压缩的紧致图结构学习方法。

技术介绍

[0002]从自然语言、图像视频到网络分析，图能够建模多个领域的实际系统。当前，图神经网络(Graph Neural Networks，简GNNs)因其特有的消息传递机制，即持续从邻居中聚合信息，在建模图数据方面已经取得了极大的成功。图神经网络已经在许多应用中展现出了优越的性能，包括节点分类、链路预测等等。
[0003]图神经网络大致可分为两类：基于谱域的图神经网络和基于空域的图神经网络。基于谱域的图神经网络由图信号处理作为理论支撑，在谱域上定义图卷积操作。例如利用傅里叶基分解图信号、将图拉普拉斯矩阵用切比雪夫多项式扩展来提升效率。另一面，基于空域的图神经网络大大简化了上述的卷积过程，只聚焦于邻域。例如，GCN简单地将一跳邻居进行平均；GraphSAGE利用不同的池化操作，随机聚合一部分邻居节点；GAT为不同的邻居赋予不同的权重。一般而言，图神经网络的表现性能与给定的图的质量密切相关。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互信息压缩的紧致图结构学习方法，其特征在于，包括以下步骤：S1、以两个基础视图作为模型输入；S2、利用视图评估器分别调整两个基础视图，得到两个评估后的视图；S3、将两个评估后的视图进行自适应聚合，得到最终视图；S4、利用互信息估计器最小化两个评估后的视图和最终视图中两两视图之间的互信息，利用三折优化确保最终视图最小且充分。2.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S1从邻接矩阵、扩散矩阵、子图和KNN图中选择两个作为基础视图。3.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S2的视图评估器的方法为：S201、首先用GCN得到其中节点的嵌入Z1＝σ(GCN(V1，X))
ꢀꢀꢀꢀꢀ
(2)其中，V1为其中一个基础视图，σ是非线性激活；S202、利用嵌入Z1，计算在基础视图V1下每个节点对间有边的概率：其中，是节点i和j间的权重，是投影向量，b1是偏置向量；S203、归一化权重得到节点i和j间的连边概率S203、归一化权重得到节点i和j间的连边概率S204、构建出概率矩阵P1，其中每一项均由公式(4)计算，得到评估后的视图：其中，μ1∈(0，1)是组合系数，的第i行表示为是节点i在评估后的视图中的新邻居节点。4.根据权利要求3所述的基于互信息压缩的紧致图结构学习方法，其特征在于，另一基础视图V2与基础视图V1的评估方法相同，两个视图的参数不同。5.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S3自适应融合的方法为：S301、利用两层GCN分别获得两个视图每个节点的预测结果：S301、利用两层GCN分别获得两个视图每个节点的预测结果：其中，和分别为节点i在两个视图下的预测结果；相比和预测结果最大值更高且最大值和次大值之间差值更大的视图为对于节点i来说置信度更高的视图，被赋予更大的权重，主导聚合过程；
S302、计算每个节点下视图的重要性π1：其中，和表示的最大值和次大值，∈和λ是超参数；S303、对重要性进行归一化得到相应权重：S304、基于步骤S303的权重为节点i生成最终视图S304、基于步骤S303的权重为节点i生成最终视图S305、以同样的方式为其他节点计算聚合后的视图，最终视图V
...

【专利技术属性】
技术研发人员：石川，王啸，刘念，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：