CN113780470A - 一种基于自适应多通道交叉图卷积网络的图分类方法 - Google Patents
一种基于自适应多通道交叉图卷积网络的图分类方法 Download PDFInfo
- Publication number
- CN113780470A CN113780470A CN202111143448.5A CN202111143448A CN113780470A CN 113780470 A CN113780470 A CN 113780470A CN 202111143448 A CN202111143448 A CN 202111143448A CN 113780470 A CN113780470 A CN 113780470A
- Authority
- CN
- China
- Prior art keywords
- graph
- node
- embedding
- feature
- topology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于自适应多通道交叉图卷积网络的图分类方法,包括如下步骤:1)基于节点特征矩阵X构造一个初始图;2)对输入图做图卷积运算;3)交叉网络;4)图卷积模块;5)带注意力机制的全连接层。这种方法充分利用了空间中的信息,消除了在每个任务的基础上搜索多个多任务网络体系结构的需求,确保了学习嵌入的一致性。
Description
技术领域
本发明涉及人工智能技术领域,具体是一种基于自适应多通道交叉图卷积网络的图分类方法。
背景技术
卷积神经网络(Convolutional Neural Networks,CNN)通常用于欧几里得结构数据的表示和学习。然而,传统的卷积神经网络无法处理如社交网络、引文网络等具有不规则结构的图结构数据。图卷积网络(Graph Convolutional Networks,GCN)作为CNN从欧几里得结构数据图到非欧几里得结构数据图的扩展,因其独特的计算能力,而受到学者们广泛的关注与研究,用于在机器学习和计算机视觉领域中进行图数据的表示和学习。与之前的深度学习构架相反,GCN的参数较少,可以处理具有非欧几里得几何形状的不规则数据,并将关系归纳偏差引入数据驱动的系统中。因此,通常认为图神经网络可以学习图数据的任意表示,于是被广泛地应用于图分析(如链接预测,节点分类,图分类)。
尽管GCN取得了巨大的成功,但大多数GCN仍被部署为图形数据的黑匣子特征提取器,尚不清楚这些模型在多大程度上可以捕获不同的图形特征,这是因为GCN及其变体通常遵循端到端的特征学习,关键步骤是特征聚合,即节点在每个卷积层中聚合来自其拓扑邻居的特征信息。以这种方式,特征信息通过网络拓扑传播到节点嵌入,然后将学习到的节点嵌入用于分类任务。整个过程由节点标签部分监督。
为了更深入地了解GCN在融合节点特征和拓扑结构的能力,研究人员已经做出许多努力。例如,Duvenaud等人提出了一种卷积神经网络,它为图形数据提供了端到端的特征学习。Keyulu等人将表达能力定义为学习多种功能的能力,并证明了GCN在图同构测试任务上能与Weisfeiler-Lehman检验一样强,但前提是假设GCN具有无限数量的隐藏单元和层。Atwood等人通过采用图扩散过程将节点的上下文信息纳入图数据分类中,提出了Diffusion卷积神经网络。李其迈等人表明,GCN的成功来自网络拓扑和标签信息,该信息仅用于训练完全连接的网络(Fully Convolutional Networks,FCN)中的参数,实际上对节点特征执行拉普拉斯平滑,并使嵌入整个网络的节点逐渐收敛。吴冠逸等人证明当特征信息在网络拓扑结构上传播时,拓扑结构在节点特征上起着低通滤波的作用。王萧等人考虑了GCN中网络拓扑和节点特征的融合机制,研究了如何从拓扑和节点特征中自适应地学习最相关的信息,并融合它们以进行分类。但是,GCN尚未充分利用网络拓扑的潜力,FCN的灵活性也受到限制。具体而言,由于某些稀疏性和噪声,导致同类节点可能相隔很远,不同类节点直接相连,而GCN并未考虑这些现象。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于自适应多通道交叉图卷积网络的图分类方法。这种方法可充分利用空间中的信息,消除了在每个任务的基础上搜索多个多任务网络体系结构的需求,确保了学习嵌入的一致性。
实现本发明目的的技术方案是:
一种基于自适应多通道交叉图卷积网络的图分类方法,包括如下步骤:
1)基于节点特征矩阵X构造一个初始图:
用G(X,A)表示图,其中节点特征矩阵n表示图中的节点数,d表示每个节点的特征维数,是n个节点的对称邻接矩阵,表示节点间的拓扑结构,当Aij=1时表示节点i和节点j之间存在一条边,否则Aij=0,表示节点i和节点j之间不存在边,用余弦相似度来获取相似度矩阵然后为每个节点选择前k个相似节点对设置边,最终得到邻接矩阵Af,然后得到特征空间中的输入图(X,Af);类似地,对于拓扑空间,有原始输入图Gt=(Xt,At),其中Xt=X,At=A,用同样地方法获得拓扑空间的输入图(Xt,At);
2)对输入图做图卷积运算:
将输入图分别通过拓扑卷积和特征卷积生成拓扑图和特征图,使X能够在特征图和拓扑图上传播,使用特征空间中的输入图(X,Af),第l层输出Ef (l)可以表示为:
对于拓扑空间,按照与特征空间相同的方式来学习基于拓扑图的最终节点嵌入ET:
由于拓扑空间和特征空间中的信息具有共同特征,因此设计了一个具有参数共享策略的共同卷积模块,同时提取拓扑空间和特征空间中特定于节点的嵌入和它们的共享公共信息,以学习共同的嵌入ECT和ECF,并采用一致性约束Lc来增强ECT和ECF的共同特性;
然后将输入图生成两个具体的嵌入:拓扑嵌入和特征嵌入,以及一个共同嵌入;
3)交叉网络:
将对每层l进行建模的单位称为交叉单元,把交叉单元整合到图卷积网络中,使用线性组合为特征建模,学习共享特征,提供端到端的学习框架,并学习给定任务集的最佳线性组合,考虑多任务学习的情况,其中在同一输入中有两个任务A和B,用交叉单元将A和B这两个任务组合成一个多任务网络,从而协调两个任务共享信息的程度;
可以通过将αAB或αBA设置为零来决定使某些层做特定的任务,或者通过为它们分配更大的值来选择共享程度更高的表示,在生成的拓扑图和共同图之间使用交叉网络以自适应学习参数;
4)图卷积模块:
在步骤2)和步骤3)运行后,输入图已经经过一次图卷积运算,并在不同任务中重新学习了参数权重,此时输出图要继续通过两层图卷积运算,得到最终的拓扑节点嵌入ET,特征节点嵌入EF以及两个共同嵌入ECT和ECF,最后再将两个空间的共同为嵌入EC;
5)带注意力机制的全连接层:
现在,有两个特定的嵌入ET和EF,以及一个共同的嵌入EC,考虑到节点标签可以与其中之一或它们的组合相关,使用注意力机制来学习它们的相应重要性,对各个节点的嵌入进行加权求和,生成最终的嵌入E;
对于共同卷积模块的两个输出嵌入ECT和ECF,首先,使用L2归一化将嵌入矩阵ECT和ECF归一化为LCF和LCT,然后使用两个归一化矩阵点乘来捕获n个节点的相似性ST和SF,一致性意味着两个相似性矩阵应该相似,这产生了以下约束:
本技术方案与现有技术相比,具有以下优点:
首先,使用AMGCN作为基础的特征提取网络,基于节点特征X构造了一个特征图,通过两个具体的卷积模块——拓扑卷积和特征卷积,使X能够在特征图和拓扑图上传播,以分别学习两个卷积模块的嵌入ET和EF。由于共同卷积和拓扑卷积、特征卷积之间的底层任务相似,因此本技术方案分别在共同卷积和拓扑卷积、共同卷积和特征卷积之间使用了交叉网络(Cross-stitch Networks),以辅助学习不同任务。其次将图卷积层数从两层增加到三层。此外对损失函数进行了修改,考虑到这两个空间中的信息具有共同的特征,本技术方案设计了一个具有参数共享策略的共同卷积模块,以学习共同的嵌入ECT和ECF,并保留一致性约束Lc来增强ECT和ECF的共同特性。最后还删除了视差约束Ld。考虑到节点标签可能与拓扑或特征或两者相关联,本技术方案利用注意力机制将这些嵌入与学习的权重进行自适应融合,从而为最终分类任务提取最相关的信息E。
在节点特征,拓扑结构及其组合之间设置不同的损失函数,同时学习它们的节点嵌入。特征之间的相似性以及由拓扑结构推断出的相似性是相互补充的,可以自适应地融合以得出用于分类任务的更深层的相关性信息。此外,还将从节点特征生成的k最近邻图导出为特征结构图,以充分利用特征空间中的信息。
本技术方案用交叉网络将共享特征建模为线性组合,这些单元概括了上述三种类型的任务,从而消除了在每个任务的基础上搜索多个多任务网络体系结构的需求。为了测量学习的节点特征和拓扑结构之间的一致性,将约束传播公式化为目标函数的最小化,以确保学习嵌入的一致性。
这种方法可充分利用空间中的信息,消除了在每个任务的基础上搜索多个多任务网络体系结构的需求,确保了学习嵌入的一致性。
附图说明
图1为实施例的结构示意图;
图2为实施例中交叉网络架构示意图;
图3为实施例中特征模块示意图;
图4为实施例中拓扑模块示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述,但不是对本发明的限定。
实施例:
参照图1,一种基于自适应多通道交叉图卷积网络的图分类方法,包括如下步骤:
1)基于节点特征矩阵X构造一个初始图:
用G(X,A)表示图,其中节点特征矩阵n表示图中的节点数,d表示每个节点的特征维数,是n个节点的对称邻接矩阵,表示节点间的拓扑结构,当Aij=1时表示节点i和节点j之间存在一条边,否则Aij=0,表示节点i和节点j之间不存在边,用余弦相似度来获取相似度矩阵然后为每个节点选择前k个相似节点对设置边,最终得到邻接矩阵Af,然后得到特征空间中的输入图(X,Af);类似地,对于拓扑空间,有原始输入图Gt=(Xt,At),其中Xt=X,At=A,用同样地方法获得拓扑空间的输入图(Xt,At);
2)对输入图做图卷积运算:
将输入图分别通过拓扑卷积和特征卷积生成拓扑图和特征图,使X能够在特征图和拓扑图上传播,如图1所示,使用特征空间中的输入图(X,Af),第l层输出Ef (l)可以表示为:
对于拓扑空间,按照与特征空间相同的方式来学习基于拓扑图的最终节点嵌入ET:
由于拓扑空间和特征空间中的信息具有共同特征,因此设计了一个具有参数共享策略的共同卷积模块,同时提取拓扑空间和特征空间中特定于节点的嵌入和它们的共享公共信息,以学习共同的嵌入ECT和ECF,并采用一致性约束Lc来增强ECT和ECF的共同特性;
然后将输入图生成两个具体的嵌入:拓扑嵌入和特征嵌入,以及一个共同嵌入;
3)交叉网络:
交叉网络是一种被提出用于卷积神经网络中多任务学习的方法,尝试为多任务学习发现最佳参数共享形式,本例改良了交叉网络这种构架,将对每层l进行建模的单位称为交叉单元,把交叉单元整合到图卷积网络中,使用线性组合为特征建模,学习共享特征,提供端到端的学习框架,并学习给定任务集的最佳线性组合,考虑多任务学习的情况,其中在同一输入中有两个任务A和B,用交叉单元将A和B这两个任务组合成一个多任务网络,从而协调两个任务共享信息的程度,如图2所示;
可以通过将αAB或αBA设置为零来决定使某些层做特定的任务,或者通过为它们分配更大的值来选择共享程度更高的表示,如图1所示,在生成的拓扑图和共同图之间使用交叉网络以自适应学习参数;
4)图卷积模块:
在步骤2)和步骤3)运行后,输入图已经经过一次图卷积运算,并在不同任务中重新学习了参数权重,此时输出图要继续通过两层图卷积运算,如图3和图4所示,得到最终的拓扑节点嵌入ET,特征节点嵌入EF以及两个共同嵌入ECT和ECF,最后再将两个空间的共同为嵌入EC;
5)带注意力机制的全连接层:
现在,有两个特定的嵌入ET和EF,以及一个共同的嵌入EC,考虑到节点标签可以与其中之一或它们的组合相关,使用注意力机制来学习它们的相应重要性,对各个节点的嵌入进行加权求和,生成最终的嵌入E;
对于共同卷积模块的两个输出嵌入ECT和ECF,首先,使用L2归一化将嵌入矩阵ECT和ECF归一化为LCF和LCT,然后使用两个归一化矩阵点乘来捕获n个节点的相似性ST和SF,一致性意味着两个相似性矩阵应该相似,这产生了以下约束:
本例为训练集选择三个标签率(即每个类别20、40、60个带标签的节点,L/C),然后选择1000个节点作为测试集,训练了三个具有相同隐藏层尺寸(nhid1)和相同输出尺寸(nhid2)以及(nhid3)的3层GCN,其中nhid1∈{512,768,1024},nhid2∈{128,256},nhid3∈{32,64},本例使用Adam优化器,并将学习率设置在0.0001至0.001之间,Dropout为0.5,权重衰减∈{5e-3,5e-4},k∈{2,3,…,10}用于k最近邻图,一致性约束和视差约束的系数分别在{0.01、0.001、0.0001}和{1e-10、5e-9、1e-9、5e-8、1e-8}中,对于所有方法,在相同的分区上运行5次,并报告平均结果。
本例在Citeseer、UAI2010、ACM、BlogCatelog、Flickr和Pubmed数据集上的精度与之前的图卷积网络相比均有所提升,如表1所示:
Claims (1)
1.一种基于自适应多通道交叉图卷积网络的图分类方法,其特征在于,包括如下步骤:
1)基于节点特征矩阵X构造一个初始图:
用G(X,A)表示图,其中节点特征矩阵n表示图中的节点数,d表示每个节点的特征维数,是n个节点的对称邻接矩阵,表示节点间的拓扑结构,当Aij=1时表示节点i和节点j之间存在一条边,否则Aij=0,表示节点i和节点j之间不存在边,用余弦相似度来获取相似度矩阵然后为每个节点选择前k个相似节点对设置边,最终得到邻接矩阵Af,然后得到特征空间中的输入图(X,Af);类似地,对于拓扑空间,有原始输入图Gt=(Xt,At),其中Xt=X,At=A,用同样地方法获得拓扑空间的输入图(Xt,At);
2)对输入图做图卷积运算:
将输入图分别通过拓扑卷积和特征卷积生成拓扑图和特征图,使X能够在特征图和拓扑图上传播,使用特征空间中的输入图(X,Af),第l层输出Ef (l)可以表示为:
对于拓扑空间,按照与特征空间相同的方式来学习基于拓扑图的最终节点嵌入ET:
由于拓扑空间和特征空间中的信息具有共同特征,因此设计了一个具有参数共享策略的共同卷积模块,同时提取拓扑空间和特征空间中特定于节点的嵌入和它们的共享公共信息,以学习共同的嵌入ECT和ECF,并采用一致性约束Lc来增强ECT和ECF的共同特性;
然后将输入图生成两个具体的嵌入:拓扑嵌入和特征嵌入,以及一个共同嵌入;
3)交叉网络:
将对每层l进行建模的单位称为交叉单元,把交叉单元整合到图卷积网络中,使用线性组合为特征建模,学习共享特征,提供端到端的学习框架,并学习给定任务集的最佳线性组合,考虑多任务学习的情况,其中在同一输入中有两个任务A和B,用交叉单元将A和B这两个任务组合成一个多任务网络,从而协调两个任务共享信息的程度;
可以通过将αAB或αBA设置为零来决定使某些层做特定的任务,或者通过为它们分配更大的值来选择共享程度更高的表示,在生成的拓扑图和共同图之间使用交叉网络以自适应学习参数;
4)图卷积模块:
在步骤2)和步骤3)运行后,输入图已经经过一次图卷积运算,并在不同任务中重新学习了参数权重,此时输出图要继续通过两层图卷积运算,得到最终的拓扑节点嵌入ET,特征节点嵌入EF以及两个共同嵌入ECT和ECF,最后再将两个空间的共同为嵌入EC;
5)带注意力机制的全连接层:
现在,有两个特定的嵌入ET和EF,以及一个共同的嵌入EC,考虑到节点标签可以与其中之一或它们的组合相关,使用注意力机制来学习它们的相应重要性,对各个节点的嵌入进行加权求和,生成最终的嵌入E;
对于共同卷积模块的两个输出嵌入ECT和ECF,首先,使用L2归一化将嵌入矩阵ECT和ECF归一化为LCF和LCT,然后使用两个归一化矩阵点乘来捕获n个节点的相似性ST和SF,一致性意味着两个相似性矩阵应该相似,这产生了以下约束:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143448.5A CN113780470B (zh) | 2021-09-28 | 2021-09-28 | 一种基于自适应多通道交叉图卷积网络的图分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143448.5A CN113780470B (zh) | 2021-09-28 | 2021-09-28 | 一种基于自适应多通道交叉图卷积网络的图分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780470A true CN113780470A (zh) | 2021-12-10 |
CN113780470B CN113780470B (zh) | 2024-03-08 |
Family
ID=78854017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143448.5A Active CN113780470B (zh) | 2021-09-28 | 2021-09-28 | 一种基于自适应多通道交叉图卷积网络的图分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780470B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050975A (zh) * | 2022-01-10 | 2022-02-15 | 苏州浪潮智能科技有限公司 | 一种异构多节点互联拓扑生成方法和存储介质 |
CN114647465A (zh) * | 2022-05-23 | 2022-06-21 | 南京航空航天大学 | 多通道注意力图神经网络聚类的单体程序拆分方法及系统 |
CN114662748A (zh) * | 2022-03-07 | 2022-06-24 | 北京工业大学 | 一种基于图结构学习的多行为融合图神经网络学生成绩预测方法 |
CN114757271A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 基于多通道图卷积网络的社交网络节点分类方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN112529168A (zh) * | 2020-12-29 | 2021-03-19 | 中国人民解放军国防科技大学 | 一种基于gcn的属性多层网络表示学习方法 |
CN112597883A (zh) * | 2020-12-22 | 2021-04-02 | 武汉大学 | 一种基于广义图卷积和强化学习的人体骨架动作识别方法 |
CN112818986A (zh) * | 2021-01-28 | 2021-05-18 | 深圳点猫科技有限公司 | 基于深度关系推理的文本检测方法、装置、系统及介质 |
-
2021
- 2021-09-28 CN CN202111143448.5A patent/CN113780470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN112597883A (zh) * | 2020-12-22 | 2021-04-02 | 武汉大学 | 一种基于广义图卷积和强化学习的人体骨架动作识别方法 |
CN112529168A (zh) * | 2020-12-29 | 2021-03-19 | 中国人民解放军国防科技大学 | 一种基于gcn的属性多层网络表示学习方法 |
CN112818986A (zh) * | 2021-01-28 | 2021-05-18 | 深圳点猫科技有限公司 | 基于深度关系推理的文本检测方法、装置、系统及介质 |
Non-Patent Citations (1)
Title |
---|
陈可佳;杨泽宇;刘峥;鲁浩;: "基于邻域选择策略的图卷积网络模型", 计算机应用, no. 12 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050975A (zh) * | 2022-01-10 | 2022-02-15 | 苏州浪潮智能科技有限公司 | 一种异构多节点互联拓扑生成方法和存储介质 |
CN114050975B (zh) * | 2022-01-10 | 2022-04-19 | 苏州浪潮智能科技有限公司 | 一种异构多节点互联拓扑生成方法和存储介质 |
CN114662748A (zh) * | 2022-03-07 | 2022-06-24 | 北京工业大学 | 一种基于图结构学习的多行为融合图神经网络学生成绩预测方法 |
CN114757271A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 基于多通道图卷积网络的社交网络节点分类方法与系统 |
CN114757271B (zh) * | 2022-04-06 | 2024-04-23 | 扬州大学 | 基于多通道图卷积网络的社交网络节点分类方法与系统 |
CN114647465A (zh) * | 2022-05-23 | 2022-06-21 | 南京航空航天大学 | 多通道注意力图神经网络聚类的单体程序拆分方法及系统 |
CN114647465B (zh) * | 2022-05-23 | 2022-08-16 | 南京航空航天大学 | 多通道注意力图神经网络聚类的单体程序拆分方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113780470B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Path-level network transformation for efficient architecture search | |
CN113780470A (zh) | 一种基于自适应多通道交叉图卷积网络的图分类方法 | |
CN106503106B (zh) | 一种基于深度学习的图像哈希索引构建方法 | |
CN112508085B (zh) | 基于感知神经网络的社交网络链路预测方法 | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
CN107944410B (zh) | 一种基于卷积神经网络的跨领域面部特征解析方法 | |
CN108399421A (zh) | 一种基于词嵌入的深度零样本分类方法 | |
Bakhshi et al. | Fast automatic optimisation of CNN architectures for image classification using genetic algorithm | |
CN113254782B (zh) | 问答社区专家推荐方法及系统 | |
CN109523012B (zh) | 基于变分解耦合方式对符号有向网络的表达学习方法 | |
CN113268993B (zh) | 基于互信息的属性异构信息网络无监督网络表示学习方法 | |
CN113065649A (zh) | 一种复杂网络拓扑图表示学习方法、预测方法及服务器 | |
CN115659234A (zh) | 一种融合文本属性的异质图表示学习方法 | |
CN113220897A (zh) | 基于实体-关系关联图的知识图谱嵌入模型 | |
CN112256870A (zh) | 基于自适应随机游走的属性网络表示学习方法 | |
CN114757271A (zh) | 基于多通道图卷积网络的社交网络节点分类方法与系统 | |
Andersen et al. | Evolving neural networks for text classification using genetic algorithm-based approaches | |
CN111612046B (zh) | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 | |
CN117009674A (zh) | 融合数据增强和对比学习的云原生api推荐方法 | |
CN115294402B (zh) | 一种基于去冗余多阶混合训练的半监督车辆分类方法 | |
CN113052712B (zh) | 社交数据的分析方法、系统及存储介质 | |
Liang et al. | The graph embedded topic model | |
CN112926691A (zh) | 一种提取特征逻辑用于分类的卷积树突方法 | |
Tao et al. | A compact neural architecture search for accelerating image classification models | |
CN116628358B (zh) | 基于多视图Graph Transformer的社交机器人检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240130 Address after: 710016 2007, Building A, Fifth International, Weiyang Road, Xi'an Economic and Technological Development Zone, Shaanxi Province Applicant after: Xi'an Juquan Network Technology Co.,Ltd. Country or region after: China Address before: 541004 No. 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Applicant before: Guangxi Normal University Country or region before: China |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |