[发明专利]用于图到序列模型方法的对抗性自动编码器架构

权利要求书

1.一种用于训练模型以生成对象的方法，其特征在于，所述方法包括自动编码器步骤，所述自动编码器步骤包括：

提供变分、对抗性或变分和对抗性组合的自动编码器架构，该自动编码器架构被配置为图到序列(G2S)模型；

将多个真实对象的图数据输入到所述G2S模型的编码器中；

利用所述G2S模型的解码器从潜在空间数据生成序列数据；

从所述G2S模型的鉴别器生成鉴别器输出数据；

对所述编码器和所述解码器执行优化；以及

报告训练的G2S模型。

2.根据权利要求1所述的方法，其特征在于，所述方法包括自动编码器步骤，所述自动编码器步骤包括：

获得多个真实对象的图数据；

将所述图数据输入到编码器中；

利用所述编码器从所述图数据生成在潜在空间中具有潜在向量的潜在数据；

获取所述真实对象的属性数据；

将来自所述图数据的潜在向量与在潜在空间中的属性数据连接；

将潜在空间数据输入到解码器中；

利用所述解码器从所述潜在空间数据生成序列数据，其中所述序列数据表示真实对象并且包括符号logits；

计算所述序列数据的符号logits与所获得的图数据的序列数据之间的对数似然性；

将潜在空间数据输入到鉴别器中；

从所述鉴别器生成鉴别器输出数据，其中所述鉴别器输出数据包括鉴别器logits；

计算所述鉴别器logits和标签“1”的对数似然性，其中标签“1”是所述鉴别器的真实输出数据；

对所述编码器和解码器执行梯度下降步骤；以及

报告训练的G2S模型。

3.根据权利要求1所述的方法，其特征在于，还包括生成器步骤，所述生成器步骤包括：

将正态分布的样本数据输入到所述G2S模型的生成器中；

利用所述鉴别器生成鉴别器样本数据；

对所述生成器执行优化；以及

报告生成器训练的G2S模型。

4.根据权利要求2所述的方法，其特征在于，还包括生成器步骤，所述生成器步骤包括：

获得正态分布的样本；

将样本数据输入到生成器中；

利用所述生成器生成样本潜在向量，其中所述样本潜在向量在潜在空间中；

将所述属性数据与所述样本潜在向量连接；

将潜在空间数据输入到所述鉴别器中以获得具有样本logits的鉴别器样本数据；

计算鉴别器输出logits和标签“1”的对数似然性，其中标签“1”是所述鉴别器的真实输出数据；

计算所述生成器的雅可比钳位项；

对所述生成器执行梯度下降步骤；以及

报告生成器训练的G2S模型。

5.根据权利要求3所述的方法，其特征在于，还包括鉴别器步骤，所述鉴别器步骤包括：

计算所述鉴别器的有效性；

使用计算出的有效性对所述鉴别器执行优化；以及

报告鉴别器训练的G2S模型。

6.根据权利要求4所述的方法，其特征在于，还包括鉴别器步骤，所述鉴别器步骤包括：

计算鉴别器输出logits和标签“0”的对数似然性，其中标签“0”是所述鉴别器的假输出数据；

使用来自鉴别器logits和标签“1”的对数似然性，以及来自鉴别器logits和标签“0”的对数似然性的结果，对所述鉴别器执行梯度下降步骤；以及

报告鉴别器训练的G2S模型。

7.根据权利要求5所述的方法，其特征在于，还包括：

降低所述自动编码器步骤的学习率；以及

执行所述自动编码器步骤、生成器步骤和鉴别器步骤的至少一个迭代。

8.根据权利要求1所述的方法，其特征在于，还包括：

获得具有序列数据的真实对象数据和所述序列数据中的序列的属性数据；以及

将所述序列数据转换为图数据。