[发明专利]基于自适应滤波的图卷积神经网络池化方法

说明书

本发明为基于自适应滤波的图卷积神经网络池化方法，该方法提出了自适应滤波图卷积神经网络SFGCN和自适应滤波图卷积神经网络的池化操作SFGPool，SFGCN具有低通滤波器、高通滤波器和带通滤波器，对池化操作的输入进行了增强，相比于传统的图卷积网络，补充了中频和高频信息，防止信息丢失从而增强了网络的拟合能力；自适应滤波图卷积神经网络引入两个可学习参数，能在训练过程中对滤波器的频率特性进行自适应调节，对于不同的图分类任务可通过可学习参数控制每个频段的贡献。

技术领域

本发明属于图数据处理技术领域，具体是一种基于自适应滤波的图卷积神经网络池化方法。

背景技术

近年来，图神经网络(GNN)在节点分类、节点聚类、链接预测和图分割等许多图数据任务中取得了巨大成功，这些结果表明GNN可以有效学习节点嵌入。而具有池化层的卷积神经网络(CNN)可以有效地对驻留在常规网格上的信号(例如图像和视频数据)进行下采样，而图数据是不规则的拓扑结构，因此CNN的池化方法并不适用于图分类任务。图分类任务的核心是学习整个图的良好表示，目前对于GNN的创新点主要集中于卷积层的设计，得到图卷积网络(GCN)，池化操作只是采用简单的全局池化，导致图数据的大量信息丢失，因此GCN很难学习整个图的良好表示。

论文《Hierarchical graph representation learning with differentiablepooling》(具体参见：Ying R,You J,Morris C,et al.Hierarchical graphrepresentation learning with differentiable pooling[J].arXiv preprint arXiv:1806.08804,2018)公开了一种可微的图池化模块(DiffPool)，该模块为每一层的节点学习可微的软聚类，将节点映射到一组簇中，这一组簇作为图卷积神经网络下一个卷积层的输入。

论文《Self-attention graph pooling》(具体参见：Lee J,Lee I,Kang J.Self-attention graph pooling[C]//International Conference on MachineLearning.PMLR,2019:3734-3743.)公开了一种自注意力图池化方法，该方法可以使用相对较少的参数以端到端方式学习分层表示，利用自注意力机制来区分应该删除的节点以及应该保留的节点。

上述池化方法仅用作低通滤波器，更具体地说，池化层的输入是几个卷积算子的输出，这些卷积算子本质上是低通滤波器，因此这些池化方法缺乏关于可能有用的高频或某些特定频段的信息。例如，分子毒性可以由一些药效团引起，药效团为分子的特定子部分，它只能由一个原子组成。当仅对此类分子使用低通滤波器时，整个图的判别信息将过度平滑，无法识别药效团。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于自适应滤波的图卷积神经网络池化方法。

本发明解决所述技术问题采用的技术方案是：

一种基于自适应滤波的图卷积神经网络池化方法，其特征在于，该方法包括下述内容：

第一部分、基于自适应滤波图卷积神经网络的卷积操作：在频域上设计低通滤波器、高通滤波器以及带通滤波器，并将各个滤波器转换为对应的空域卷积核；将各个空域卷积核分别经过图卷积神经网络进行卷积，得到各个滤波器对应的嵌入矩阵；将各个嵌入矩阵进行求和，得到总嵌入矩阵；

第二部分、基于自适应滤波图卷积神经网络的池化操作：

利用式(10)计算得到各个滤波器对应的得分矩阵；

S_s＝σ(C_sHΩ_s) (10)