图网络信息度量、鲁棒的图表示学习以及图数据分析方法技术

本发明专利技术提供图网络信息度量、鲁棒的图表示学习以及图数据分析方法，主要包括：获取图网络拓扑的邻接矩阵；基于所述邻接矩阵计算所述图网络拓扑的边曲率；将所述边曲率作为图网络信息度量，依据网络信息度量理论判定相关子拓扑是否存在拓扑缺陷。本发明专利技术采用边曲率度作为网络信息度量，可以准确实现图拓扑缺陷检测。其鲁棒的图表示学习方法，分别提取所述修改后网络拓扑和修改前网络拓扑的特征表示，整合所述特征表示得到网络拓扑的表示学习结果，可以显著提升基于图神经网络的图表示学习的稳定性和准确性，减少图表示在消息传递过程中的过压缩现象，保证表示学习性能。

【技术实现步骤摘要】

本专利技术涉及图表示学习，具体的，涉及一种图网络信息度量、鲁棒的图表示学习以及图数据分析方法。

技术介绍

1、近年来，图神经网络(gnns)因其在处理图结构数据方面的卓越性能而受到广泛关注。与传统的神经网络模型不同，图神经网络通过在图结构中节点之间传递信息来捕捉数据的关系，这使得它在社交网络分析、推荐系统和生物信息学等领域表现尤为出色。在图神经网络中，消息传递网络(message passing networks)作为一种主流的技术手段，已经被广泛应用于不同类型的图数据处理任务中。消息传递网络通过在节点之间交换和更新信息来实现图的表示学习，其核心思想是通过局部的消息传递机制来捕捉节点间的复杂依赖关系。然而，消息传递网络在实际应用中常常受到拓扑缺陷的影响，例如alon等人在2021年的《international conference on learning representations》中发表的“on thebottleneck of graph neural networks and its practical implications”表明图表示学习本文档来自技高网...

【技术保护点】

1.一种图网络信息度量方法，其特征在于，包括：

2.根据权利要求1所述的图网络信息度量方法，其特征在于，所述基于所述邻接矩阵计算所述图网络拓扑的边曲率，包括：

3.根据权利要求1所述的图网络信息度量方法，其特征在于，所述拓扑缺陷包括图的过压缩现象，表示为：对于图中任意一条边s～i，s,i表示其两端结点，目标结点i的表示hi对源结点s的特征xs的一阶偏导模长

4.根据权利要求1所述的图网络信息度量方法，其特征在于，所述将所述边曲率作为图网络信息度量，依据网络信息度量理论判定相关子拓扑是否存在拓扑缺陷，包括：

5.一种鲁棒的图表示学习方法，其特...

【技术特征摘要】

1.一种图网络信息度量方法，其特征在于，包括：

2.根据权利要求1所述的图网络信息度量方法，其特征在于，所述基于所述邻接矩阵计算所述图网络拓扑的边曲率，包括：

3.根据权利要求1所述的图网络信息度量方法，其特征在于，所述拓扑缺陷包括图的过压缩现象，表示为：对于图中任意一条边s～i，s,i表示其两端结点，目标结点i的表示hi对源结点s的特征xs的一阶偏导模长

4.根据权利要求1所述的图网络信息度量方法，其特征在于，所述将所述边曲率作为图网络信息度量，依据网络信息度量理论判定相关子拓扑是否存在拓扑缺陷，包括：

5.一种鲁棒的图表示学习方法，其特征在于，包括：

6.根据权利要求5所述的鲁棒的图表示学习方法，其特征在于，所述对所述图网络拓扑的所述缺陷边进行修改，得到具有...

【专利技术属性】
技术研发人员：邹君妮，姜以恒，戴文睿，郑紫阳，阚诺文，李成林，熊红凯，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：