本发明专利技术涉及一种基于孪生网络的图对比学习模型及其实现方法，属于机器学习技术领域。该模型包括图编码模块、图对比模块和对比学习损失模块；该方法包括：确定图对比学习模型的输入；选取公开数据集作为初始数据，通过构建的图对比学习模块对初始图数据进行图编码；通过构建的图对比模块，采用动量驱动的孪生网络连体架构作为主干网络，对初始化处理后的数据进行对比学习，获得图向量表示；通过对比学习损失模块来衡量正样本之间的相似性和负样本之间的差异性，使得特征向量中的正样本之间的相似性上升，同时将负样本推离，以增强类别之间的可分性。本发明专利技术能够不依赖额外的负样本来避免表示崩溃，并且能够在保持模型有效性的同时减少训练时间。
【技术实现步骤摘要】
本专利技术属于机器学习，涉及一种基于孪生网络的图对比学习模型及其实现方法。
技术介绍
1、对比学习是一种自监督学习方法，通过让模型学习没有标签的节点是相似的还是不同的，来建模网络的一般特征。近年来，对比学习在计算机视觉方面表现出了具有竞争力的表现，并在图表示学习中越来越受欢迎。图对比学习遵循互信息最大化(mi)的原则，即将具有相似语义信息的节点的表示拉近，同时远离不相关节点的表示。
2、图对比学习是一种用于图表示学习的方法，与传统的监督学习不同，图对比学习是一种自监督学习技术，无需人工标注数据，是一种基于判别式的表征学习框架。将样本与相似样本和不相似样本进行比较，通过设计模型计算对比损失，使得相似样本的特征表示更接近，不相似样本的特征表示更疏远。这样可以使得具有相似特征和语义的图实例在嵌入空间中聚集在一起，从而产生更强大的可迁移表示。
3、然而，图对比学习方法面临一些挑战。首先，数据增强、高维嵌入和对比损失函数设计可能导致训练时间较长。其次，大多数现有的图对比学习方法对大量负样本的依赖较重。
>技术实现思路本文档来自技高网...
【技术保护点】
1.一种基于孪生网络的图对比学习模型，其特征在于：其包括：图编码模块、图对比模块和对比学习损失模块；
2.一种基于孪生网络的图对比学习模型实现方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种基于孪生网络的图对比学习模型实现方法，其特征在于：在步骤S1中，所述图对比学习模型的输入包括：给定一个属性图G＝(V,E,X)，其中是有n个节点的顶点集，E是边集，X＝[x1,x2,…,xn]T为特征矩阵；属性图G＝(V,E,X)的拓扑结构用邻接矩阵表示，如果vij＝1，表示节点vi到节点vj之间存在一条边，表示A的度矩阵，其中表示节点vi的度。
<...
【技术特征摘要】
1.一种基于孪生网络的图对比学习模型，其特征在于：其包括：图编码模块、图对比模块和对比学习损失模块；
2.一种基于孪生网络的图对比学习模型实现方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种基于孪生网络的图对比学习模型实现方法，其特征在于：在步骤s1中，所述图对比学习模型的输入包括：给定一个属性图g＝(v,e,x)，其中是有n个节点的顶点集，e是边集，x＝[x1,x2,…,xn]t为特征矩阵；属性图g＝(v,e,x)的拓扑结构用邻接矩阵表示，如果vij＝1，表示节点vi到节点vj之间存在一条边，表示a的度矩阵，其中表示节点vi的度。
<...
【专利技术属性】
技术研发人员：刘洪涛，李庆宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。