[发明专利]面向图数据的独立解耦卷积神经网络表征算法

权利要求书

1.一种面向图数据的独立解耦卷积神经网络表征算法，包括下列步骤：

步骤1：获取图数据信息，包括当前节点及其邻居节点的特征向量；

步骤2：通过解耦方法获取邻居节点通过不同潜在因素即通道映射到当前节点的特征向量表示；

步骤3：通过迭代的方法更新邻居节点在每个潜在因素上的表示以及与当前节点通过该潜在因素存在连接的概率；

步骤4：利用最小化希尔伯特-施密特独立性指标提高不同潜在因素之间的独立性；

步骤5：输出节点分离后的表示，通过Softmax函数获得预测标签，并最小化损失函数。

2.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤1中，获取节点特征向量以及其邻居节点特征向量的作为输入，f为特征向量维度。

3.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤2中，本发明假设每个节点均包含M个潜在因素即M个通道，节点u的潜在因素表示为其中e_m为第m个的解耦表示。

4.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤2中，本发明将邻居节点的特征向量映射到节点u的不同子空间，可获得该节点与不同潜在因素的联系z_u，m，为避免邻域特征数据不统一，此时用2-范数进行规范化。

5.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤3中，为了获取节点u在所有潜在因素中的表示并将其邻居节点v正确分类，采用邻域路由机制的方式计算每个因素与节点有关的概率，利用迭代的方法更新e_m与概率p_v，m。

6.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤4中，采用希尔伯特-施密特独立性指标(HSIC)来度量各潜在因素之间的相关性，通过HSIC正则化增强所学习表示的独立性。

7.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，获得正则化后的输出。

8.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，对于半监督分类任务网络的最终层为全连接层，之后通过Softmax函数进行预测，获得对应标签。

9.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，须通过上述条件最小化损失函数