[发明专利]一种改善大型图卷积神经网络的训练效率的方法

权利要求书

1.一种改善大型图卷积神经网络的训练效率的方法，其特征在于，包括以下步骤：

(1)划分图结构：将大规模深度图卷积神经网络对应的图像结构分为若干个区域；

(2)训练图神经网络：使用数据训练图神经网络并进行训练迭代。

2.根据权利要求1所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，所述步骤(1)具体包括以下步骤：

第一步、简化图结构，通过合并部分顶点和边，将该部分用一个节点代替，从而减小图的节点和边的数目，这个步骤包含多个迭代的过程；

第二步、划分图结构，对简化后的图结构划分；

第三步、细化图结构，通过采取简化阶段的逆操作，将图神经网络结构还原。

3.根据权利要求2所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，所述简化图结构具体为：对节点进行匹配，匹配的原则是各匹配的区域之间不关联，即一个节点只能属于一个匹配区域；以随机顺序遍历图神经网络的节点，假设从u开始，如果u还未与其他顶点相匹配，那么在u的邻接顶点中选择一个同样未与其它顶点匹配的顶点v,将未匹配的顶点u和与它相邻的未匹配的顶点v相互匹配；如果u没有可以匹配的邻接顶点，那么顶点u保持未匹配状态；然后将已经匹配的两个合并为一个顶点，未匹配的顶点保留，这些顶点构成一次粗化后的图，传入下一级进行处理；重复这一过程，直到原图节点被简化为数百个。

4.根据权利要求2所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，所述划分图结构具体为：计算划分后的图P_m的Laplacian矩阵Q＝D-A，并得到该矩阵第二大特征值对应的特征向量y；顶点集V_m按如下策略被分为两个部分，找到y向量的第i个元素并表示为r，当y_i≤r时，设置P[j]＝1；对其他的顶点，设置P[j]＝2；选择r的值作为y_i值的加权中位数，以便将V_m大致分为两个相等的部分；对二分后得到的子图继续使用这样的策略划分，最后将粗化后的图分为c个分区。

5.根据权利要求4所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，Laplacian矩阵计算表达式为Q＝D-A；其中，矩阵D为图像的度矩阵，D_i，i的值为节点与节点i相连的边的数目，可表示为d_i，i＝∑ew(v_i，v_j)，其中(v_i，v_j)∈E_m；矩阵A为图像的邻接矩阵，当节点i与节点j相连时，A_i，j的值为1，反之为0。

6.根据权利要求2所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，所述细化图结构具体为：粗化图像G_m二分后得到的P_m通过一系列细化过程，依次得到的图形可表示为G_m-1，G_m-2，...，G₁；因为G_i+1的每个顶点都包含顶点的一个独立子集，要从P_i+1中获得P_i，只需简单地将合并为v∈G_i+1的顶点集V_i^v分配到分区P_i+1[v]中即可，分配后该区域就表示为P_i[u]，用等式表示就是：P_i[u]＝P_i+1[v]，

7.根据权利要求1所述的改善大型图卷积神经网络的训练效率的方法，其特征在于，所述训练图神经网络具体包括以下步骤：

第一步：从c个分组中随机选择q个分组组成一个batch，q的数目小于c，且每个迭代q个分组不一样；

第二步：将选取的q个分组组成子图其节点表示为[V_t1，V_t2，...，V_tq]，节点之间的联系表示为矩阵；

第三步：使用随机梯度下降损失函数计算子图的损失，执行反向传播。损失的梯度值在反向传播的过程中用于更新权值W；完成所有迭代后，得到各层的权值网络训练完成。