[发明专利]稳定图结构学习的方法及装置

权利要求书

1.一种稳定图结构学习的方法，其特征在于，包括以下步骤：

S1，根据给定的多个有偏采样的环境，利用数据驱动的建图方法得到隐含各个环境中的有偏关系的图结构；

S2，根据各个环境的图结构以及多环境的数据产生机制得到图结构中的每个点关联共生数据样本的概率；

S3，初始化目标图结构，在多个环境中随机采样一条共生数据样本，并条件于该共生数据样本，分别得到各个有偏环境中的产生概率和所述目标图结构所隐含的关系下的产生概率，将所述目标图结构的产生概率为各环境的产生概率的均值；

S4，循环迭代步骤S2和S3，至满足收敛条件，得到稳定图结构。

2.根据权利要求1所述的稳定图结构学习的方法，其特征在于，所述S2进一步包括：

给定各环境的图结构，经过图卷积网络得到对应的点表征；

轮流从各环境采样一条真实共生数据样本，平均池化点表征得到共生数据的表征，经过编码器产生隐变量分布；

从所述隐变量分布中采样，分别与每个点表征组合输入解码器，合并所有点的输出并经过SoftMax层，得到每个点关联此共生样本的概率。

3.根据权利要求1所述的稳定图结构学习的方法，其特征在于，

利用多环境信号，通过平衡各环境中有偏的高阶和非线性关系，无监督的构建对数据分布变化保持稳定图结构。

4.根据权利要求1所述的稳定图结构学习的方法，其特征在于，

从图结构开始，自底向上地产生原始稀疏数据信号的基于图卷积的深度生成框架。

5.一种稳定图结构学习的装置，其特征在于，包括：

建图模块，用于根据给定的多个有偏采样的环境，利用数据驱动的建图方法得到隐含各个环境中的有偏关系的图结构；

数据生成模块，用于根据各个环境的图结构以及多环境的数据产生机制得到图结构中的每个点关联共生数据样本的概率；

计算模块，用于初始化目标图结构，在多个环境中随机采样一条共生数据样本，并条件于该共生数据样本，分别得到各个有偏环境中的产生概率和所述目标图结构所隐含的关系下的产生概率，将所述目标图结构的产生概率为各环境的产生概率的均值；

学习模块，用于循环迭代，至满足收敛条件，得到稳定图结构。

6.根据权利要求5所述的稳定图结构学习的装置，其特征在于，所述数据生成模块具体用于：

给定各环境的图结构，经过图卷积网络得到对应的点表征；

轮流从各环境采样一条真实共生数据样本，平均池化点表征得到共生数据的表征，经过编码器产生隐变量分布；

从所述隐变量分布中采样，分别与每个点表征组合输入解码器，合并所有点的输出并经过SoftMax层，得到每个点关联此共生样本的概率。

7.根据权利要求5所述的稳定图结构学习的装置，其特征在于，

利用多环境信号，通过平衡各环境中有偏的高阶和非线性关系，无监督的构建对数据分布变化保持稳定图结构。

8.根据权利要求5所述的稳定图结构学习的装置，其特征在于，

从图结构开始，自底向上地产生原始稀疏数据信号的基于图卷积的深度生成框架。