[发明专利]一种基于知识蒸馏的可解释图神经网络表示方法

权利要求书

1.一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，包括以下几个步骤：

S1、将图数据输入教师网络，在教师网络中得到概率向量作为软目标；

S2、通过温度T将教师网络得到的软目标蒸馏转移到学生网络中，使用软目标以全局近似的方式帮助学生网络学习向量表示；

S3、学生网络将节点不同邻居中的关键信息节点进行聚合，得到聚合后的学生网络的软预测向量、硬预测向量以及最终节点表示向量和形成的可解释结果。

2.根据权利要求1所述的一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，步骤S3具体包括：

S31、确定学生网络的中心节点：为图中每一个节点学习一个向量表示，视当前需要进行学习的节点为中心节点；

S32、当前中心节点的每一阶邻居节点视为一个切片；

S33、分别对每个切片进行关键信息节点选择和聚合：在每一阶邻居节点中选择合适的节点进行聚合，得到不同阶邻居节点中的关键信息节点；

S34、将每一阶的关键信息结果聚合得到学生网络的软预测向量、硬预测向量以及最终的向量结果。

3.根据权利要求1所述的一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，步骤S2中，蒸馏方式如下公式所示：

其中，L_ND为蒸馏损失，T为知识蒸馏的温度，Z_s为学生网络得到的软预测向量，Z_t为教师网络得到的软目标。

4.根据权利要求2所述的一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，学生网络中的硬预测向量如下公式所示：

其中，为学生网络中的硬预测损失，为学生网络中温度T＝1的向量结果，y_i为节点真实标签。

5.根据权利要求1所述的一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，步骤S3中，最终节点表示向量的更新方式如下公式所示：

其中，L_ND为蒸馏损失，为学生网络中的硬预测损失，L_student为学生网络的最终更新损失，α为平衡蒸馏损失和学生网中的硬损失的超参数，需预先设定。

6.根据权利要求1所述的一种基于知识蒸馏的可解释图神经网络表示方法，其特征在于，步骤S3中，可解释结果是方法聚合的邻居节点的index。