CN117668653A - 动态图数据的节点分类方法、装置及终端设备 - Google Patents
动态图数据的节点分类方法、装置及终端设备 Download PDFInfo
- Publication number
- CN117668653A CN117668653A CN202311641393.XA CN202311641393A CN117668653A CN 117668653 A CN117668653 A CN 117668653A CN 202311641393 A CN202311641393 A CN 202311641393A CN 117668653 A CN117668653 A CN 117668653A
- Authority
- CN
- China
- Prior art keywords
- node
- graph
- dynamic
- distribution
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 131
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 14
- 238000003860 storage Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于开放式学习技术领域,提供了一种动态图数据的节点分类方法、装置及终端设备。其节点分类方法包括:获取动态图数据;根据动态图数据,确定动态图数据中的节点特征和图拓扑结构;将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布;对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,且开放式节点分类器利用密集目标编码以及综合检测规则对已知分类的节点训练集进行训练得到,可以更加精准的检测出训练过程中未出现过的类以及正确分类已见类。
Description
技术领域
本申请属于开放式学习技术领域,尤其涉及一种动态图数据的节点分类方法、装置及终端设备。
背景技术
早期的图节点分类问题主要关注单一时刻的静态图,然而实际应用中的图数据往往随着时间不断的发生着演变,这就需要将时间因素考虑到图节点分类问题中。例如,在社交网络中,用户之间的好友关系以及用户自身的行为属性特征都会随时间发生变化。
现有对动态图数据节点分类问题的研究,大多采用GNN(Graph Neural Network,图神经网络)结合RNN(Recurrent Neural Network,循环神经网络)的策略。即利用GNN获取当前时刻的图网络拓扑信息和节点特征信息,然后使用RNN来处理时序信息。根据GNN和RNN的结合方式,现有的动态图神经网络DGNN(Dynamic Graph Neural Network,动态图神经网络)总体可分为两大类:堆叠式动态图神经网络和整合式动态图神经网络。堆叠式动态图神经网络单独使用GNN提取静态图的拓扑信息和节点特征信息,随后将所有时刻提取得的特征作为RNN的输入来处理时序信息。动态自注意网络是经典的堆叠式动态图神经网络之一,它通过在两个维度:空间领域结构和时序动态的自注意力机制来计算节点表示,使得节点能够保留局部结构信息,并且能得到每个时刻的输出特征。整合式动态图神经网络则将GNN和RNN整合在一层网络中,同时提取静态图特征与处理时序信息,然而这些方法需要所有节点的信息,在数据流场景中并不适用。因此,现有技术在学习动态图数据中动态演变的信息,以及在真实世界环境中精准地检测出训练过程中未出现过的类以及正确分类已见类的方面存在缺陷。
发明内容
本申请实施例提供了一种动态图数据的节点分类方法、装置及终端设备,可以学习动态图数据中动态演变的信息,以及在真实世界环境中更精准地检测出训练过程中未出现过的类以及正确分类已见类。
本申请实施例的第一方面提供了一种动态图数据的节点分类方法,节点分类方法包括:
获取动态图数据;
根据动态图数据,确定动态图数据中的节点特征和图拓扑结构;
将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布;
对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;
将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
本申请实施例的第二方面提供了一种动态图数据的节点分类装置,节点分类装置包括:
数据获取模块,用于获取动态图数据;
第一确定模块,用于根据动态图数据,确定动态图数据中的节点特征和图拓扑结构;
潜在分布输出模块,用于将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布;
生成模块,用于对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;
分类模块,用于将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
本申请实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面的动态图数据的节点分类方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的动态图数据的节点分类方法。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面的动态图数据的节点分类方法。
在本申请实施例中,首先获取动态图数据,根据动态图数据确定动态图数据中的节点特征和图拓扑结构,其次将节点特征和图拓扑结构输入至神经网络模型中,由图神经网络模型输出每个节点的潜在分布,即动态图数据中动态演变的信息;对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;最后将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,且开放式节点分类器利用密集目标编码以及综合检测规则对已知分类的节点训练集进行训练得到,可以更加精准的检测出训练过程中未出现过的类以及正确分类已见类。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种动态图数据的节点分类方法的流程示意图;
图2是本申请一实施例提供的动态图数据的示例图;
图3是本申请另一实施例提供的开放式节点分类器训练的流程示意图;
图4是本申请一实施例提供的一种动态图数据的节点分类装置的结构示意图;
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
动态图数据中存在着多变的环境,极易产生新的未知类。尽管目前的动态图数据节点分类方法能够在动态图数据中进行节点分类任务,但它们都基于封闭式的假设,不能够在现实世界开放的环境中很好的工作。例如,整合式动态图神经网络则将GNN和RNN整合在一层网络中,同时提取静态图特征与处理时序信息,然而这些方法需要所有节点的信息,在数据流场景中并不适用。需要提出一种动态图数据的节点分类方法,能够根据节点特征学习节点的动态演变信息,以能够精准的检测出训练过程中未出现过的类以及正确分类已见类的方面存在缺陷。
为了实现上述技术效果,本申请提出了一种动态图数据的节点分类方法,首先获取动态图数据,根据动态图数据确定动态图数据中的节点特征和图拓扑结构,其次将节点特征和图拓扑结构输入至神经网络模型中,由图神经网络模型输出每个节点的潜在分布,即动态图数据中动态演变的信息;对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;最后将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,且开放式节点分类器利用密集目标编码以及综合检测规则对已知分类的节点训练集进行训练得到,可以更加精准的检测出训练过程中未出现过的类以及正确分类已见类。
为了说明本申请的技术方案,下面通过具体实施例来说明。
参见图1,示出了本申请一实施例提供的一种动态图数据的节点分类方法的流程示意图。如图1所示,动态图数据的节点分类方法可以包括以下步骤:
步骤101,获取动态图数据。
需要说明的是,本申请实施例的动态图数据的节点分类方法可以由本申请实施例的动态图数据的节点分类装置执行。本申请实施例的动态图数据的节点分类装置可以配置在任意终端设备中,以执行本申请实施例的动态图数据的节点分类方法。
其中,动态图数据,可以是指在一段时间内,图的结构或者属性会发生变化的数据。需要说明的是,图是由节点和边组成的网络,动态图数据反映了图中节点和边随着时间的推移而演变、变化的过程。例如社交网络是一个常见的动态图数据的例子,人们在社交网络中建立新的关系,解除旧的关系,或者更改他们的个人信息,这种变化可以通过动态图数据进行建模,每个时间点都是网络的一个快照,展示了在该时间点上节点和边的状态。
在本申请实施例中,可以根据实际场景中各个节点信息以及节点之间的关联关系,获取由节点和节点之间关联关系(即网络的边)构成的动态图数据,例如用户在不同时间点上的关系、互动和信息分享都可以构成一个动态的社交网络,获取该社交网络中每个时间点对应的用户之间的关系、互动以及信息分享,即可获取动态图数据。
示例性地,参见图2示出的动态图数据的示例图,包括t-1时刻对应的网络快照以及t时刻的网络快照,其中a、b、c分别表示网络中的节点,其之间的连接关系,表示节点之间的关联关系,可以看出t-1时刻对应的网络快照与t时刻对应的网络快照中各节点之间的连接关系不同,所以构成了动态图数据,随着时间的推移,图的结构或者属性会发生变化。
应理解,以上实际场景仅为示例,不能作为对本申请的限定。
在一种可能的实现方式中,动态图数据的可以表示为向量的集合,例如动态图数据其中,G1至GT分别表示对应于1至T时刻的网络快照。
步骤102,根据动态图数据,确定动态图数据中的节点特征和图拓扑结构。
在本申请实施例中,由于动态图数据中包括每个时间点对应的网络快照,展示了在该时间点上节点和边的状态。因此,可以从动态图数据中提取出任意时刻对应的节点特征和图拓扑结构。
其中,节点特征,可以是指与每个节点相关联的属性或信息,用于描述节点的性质、属性或状态。
其中,图拓扑结构可以是指图中节点之间连接关系的布局和形状。
在本申请实施例中,可以利用节点特征识别以及图拓扑结构识别,确定动态图数据中的节点特征和图拓扑结构。具体地,可以通过查看节点的属性、类别、文本描述以及时序信息等,确定节点在每个时刻的节点特征,然后通过识别连接节点的信息,确定图拓扑结构。
在一种可能的实现方式中,在动态图数据包括多个时刻的静态图的情况下,根据动态图数据,确定动态图数据中的节点特征和图拓扑结构,包括:
根据多个时刻的静态图,提取每个时刻的静态图中的节点集合和边集合以及每个时刻的静态图中的节点特征;
根据每个时刻的静态图中的节点集合和边集合,确定每个时刻的静态图的图拓扑结构。
示例性地,以t时刻的静态图为例,可以提取t时刻静态图中的节点集合Vt和边集合Et以及t时刻的节点特征Xt,根据t时刻静态图中的节点集合Vt和边集合Et,可以确定出由t时刻静态图中的节点集合Vt和边集合Et构成的图拓扑结构At,因此,动态图数据中t时刻的快照可以表示为Gt=(Vt,Et,At,Xt),动态图数据中的节点特征为Xt,图拓扑结构为At,且t为正整数。
步骤103,将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布。
其中,节点的潜在分布通常是指将节点嵌入表示为潜在空间中的概率分布。在图神经网络中,节点嵌入是模型学习到的节点在低维潜在空间中的表示。而对于每个节点,其在潜在空间的概率分布反映了模型对于该节点的不确定性。
在本申请实施例中,图神经网络模型可以通过聚合节点特征和图拓扑结构,逐步将节点的信息传递至潜在空间中,以输出每个节点的潜在分布。
在一种可能的实现方式中,图神经网络模型可以包括四层网络,上述将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布,包括:
将t时刻的静态图的节点特征和图拓扑结构输入至第一层网络,得到第一层网络输出的特征矩阵,其中,t时刻为动态图数据中对应的任一时刻;
将特征矩阵输入至第二层网络,通过递归计算得到t时刻静态图对应的确定性特征矩阵,确定性特征矩阵用于表示各节点的确定性状态;
基于第三层网络,根据t时刻的确定性特征矩阵以述t时刻的节点特征,确定t时刻各节点的随机状态;
利用第四层网络对t时刻各节点的随机状态进行建模,获取每个节点的潜在分布。
在本申请实施例中,将每个时刻的静态图的节点特征和图拓扑结构输入至图神经网络中,首先使用第一层网络提取每个时刻静态图的特征,其次为了捕获动态图数据的动态变化信息以及建模其不确定性,根据第四层网络进行建模,并通过第二层网络和第三层网络同时学习节点的确定性表达和随机性表达,使得在捕获动态图数据信息的同时,学习节点潜在分布的动态变化。
在一种可能的实现方式中,第一层网络为图卷积网络;将t时刻的静态图的节点特征和图拓扑结构输入至第一层网络,得到第一层网络输出的特征矩阵,包括:
将t时刻的静态图的节点特征和图拓扑结构输入至图卷积网络;
根据图卷积网络的网络参数、t时刻的静态图的节点特征和图拓扑结构,生成特征矩阵。
具体地,使用图卷积网络(GCN)提取图上的特征传播信息,即根据t时刻的静态图的节点特征和图拓扑结构提取图上的特征传播信息,并生成低维的特征矩阵:
其中,是单位矩阵,A是各节点之间的关系形成的矩阵;/>为/>的度矩阵;Xt为t时刻的节点特征;ReLU()为激活函数;W(1)为图卷积网络的网络参数。
在一种可能的实现方式中,第二层网络为循环卷积网络;将特征矩阵输入至第二层网络,通过递归计算得到t时刻静态图对应的确定性特征矩阵,包括:
将特征矩阵输入至循环卷积网络,根据t时刻的静态图对应的特征矩阵和循环卷积网络输出的t-1时刻的确定性特征矩阵,输出t时刻的确定性特征矩阵,以表示t时刻的确定性状态。
具体地,本申请通过递归计算t时刻的确定性状态:
其中,是一个循环卷积网络(recurrent neural network,RNN),/>为t时刻的特征矩阵,dt-1为t-1时刻节点的确定性状态。在该实施例中,可以使用LSTM代替节点邻域聚合,捕捉图的时序信息。我们使用RNN的通用表达式如下:
其中,为RNN的网络参数,/>为t时刻的确定性状态,/>为t-1时刻的确定性状态。
在一种可能的实现方式中,基于第三层网络,根据t时刻的确定性特征矩阵以及t时刻的节点特征,确定t时刻各节点的随机状态,包括:
通过在循环卷积网络中引入一个分离的随机层,确定一随机状态;
基于动态变分自编码器,采用一推断网络学习节点的后验分布,以估计随机层的网络参数;
根据t时刻的确定性特征矩阵和t时刻的节点特征以及随机层的网络参数,确定t时刻各节点的随机状态。
具体地,在第三层网络中,我们在迭代过程当中加入一个分离的随机层来学习节点的随机状态zt,基于动态变分自编码器(DVAE)的结构,zt的后验推断由一层推断网络来完成,该网络通过循环神经网络中的状态at来估计zt未来观测的非线性依赖,即:
其中,为非线性函数,at+1为随机状态zt的后验估计。
其中,at具体计算如下:
其中,为t时刻节点的随机状态,/>为t+1时刻节点的随机状态,/> 为推断网络的网络参数;at为zt的估计状态。
在一种可能的实现方式中,利用第四层网络对t时刻各节点的随机状态进行建模,获取每个节点的潜在分布,包括:
根据多元高斯分布对t时刻各节点的随机状态进行建模,得到t时刻各节点的随机状态的均值向量和标准差向量;
根据t时刻各节点的随机状态的均值向量和标准差向量,采用重参数化算法,生成节点的潜在分布。
具体地,第四层网络对节点的随机状态zt进行建模,从而获得每个节点的潜在分布。我们假设节点的随机状态zt是连续的并且服从多元高斯分布。根据推断模型,可以得到:
上述等式为条件概率公式。表示已知t时刻随机状态zt-1和at的概率分布条件下,zt的概率分布。这里q()是一个函数,可以使用随机循环卷积网络结构来表示这个函数。
进一步地,将上述等式嵌入表示为随机循环卷积网络结构,可以得到:
即:
其中,为随机循环卷积网络的网络参数。
由此可得:
其中,表示为t时刻i节点的随机状态的均值向量,/>表示t时刻i节点的随机状态的标准差向量。
最后根据重参数化算法,我们可以计算节点的潜在分布表示为:
其中,ζ是从标准正态分布G(0,1)中抽取的随机噪声。
在本申请实施例中,使用正态分布模拟真实世界中存在的噪声,可以使得所学节点的分布更贴近其真实分布。
步骤104,对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布。
在本申请实施例中,相比于高斯分布估计,拉普拉斯分布估计对离群点的敏感性更加小,因为离群点通常代表被损坏的观察数据或来自重尾噪声过程的真实样本。由于拉普拉斯分布具有重尾特征,它对简单的对抗攻击和数据离群点具有更优秀的鲁棒性,在实际应用中,关于鲁棒学习的研究,通常使用拉普拉斯分布的对数密度作为目标函数,以获得所需参数的鲁棒估计。由于动态图数据中广泛存在着噪声数据,使用拉普拉斯分布来进行节点表示能很好的降低模型受离群值的影响。因此,使用拉普拉斯分布进截断的抽样,以生成每个节点的概率分布。
其中,拉普拉斯分布是一个对称函数,描述了具有相同指数分布的两个独立变量之间的差异。
示例性地,其概率密度函数为:
在一种可能的实现方式中,对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布,包括:
采用拉普拉斯分布对每个节点进行多次截断抽样,获取每个节点的多个截断抽样结果;
对每个节点的多个截断抽样结果进行重参数化,生成每个节点对应的多个概率分布;
将每个节点对应的多个概率分布分别取平均值,得到每个节点的概率分布。
具体地,使用拉普拉斯分布对任一节点进行重参数化可得到节点的概率分布,期望这个概率分布能够无限接近节点的真实分布。于是进行多次(M次)重复的抽样过程,从而得到M个该节点的概率分布。然后将这M个概率分布取平均来表示该节点的概率分布。
示例性地,通过多次抽样和重参数化技巧,我们为每个节点生成M个不同版本的特征向量即每个节点对应的M个概率分布,对上述M个概率分布取平均(M个概率相加再除以M),可以得到对应节点的概率分布。
进而由以下公式得到节点表示:
其中,L(0,1)指拉普拉斯分布。
在一种可能的实现方式中,在抽样过程中,为了提高抽样鲁棒性,可以舍弃了尾部概率,即当抽样位置位于[-2σ,2σ]范围之外时,将丢弃该值并重新抽样。通过这种方式,本申请能够利用数据流中的不确定性并保证在能够捕获动态图数据的演变信息的同时,更好地保证节点表示的鲁棒性学习。
步骤105,将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别。
在本申请实施例中,开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
其中,密集目标编码是指将离散的目标或标签(通常是类别信息)编码为连续、密集的向量或表示。
在本申请实施例中,开放式节点分类器可以根据节点的概率分布,对其进行密集目标编码,基于每个节点的密集目标编码,根据综合检测策略来识别每个节点属于已见类别或未见类别。
在一种可能的实现方式中,综合检测策略为基于距离、重构和概率相结合的未见类检测策略;将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,包括:
将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器通过密集目标编码对每个节点的概率分布进行编码,生成每个节点对应的已见类别的原型表示;
通过基于距离、重构和概率相结合的综合检测策略,输出每个节点所属的已见类别或未见类别。
其中,已见类别的原型表示为对应的密集目标编码。
在本申请实施例中,通过密集目标编码对每个节点的概率分布进行编码可以最大化除所属真实类的其他类别的重构误差,且根据综合检测策略,可以更精确的输出每个节点所属的已见类别和未见类别。
具体地,基于距离、重构和概率相结合的综合检测策略包括基于节点与已见类的距离检测、基于重构误差的检测、基于预测概率的检测。
在一种可能的实现方式中,通过基于距离、重构和概率相结合的未见类检测策略,输出每个节点所属的已见类别或未见类别,包括:
对比节点与对应的已见类别的原型表示之间的距离与距离阈值,得到第一检测结果;
对比检测节点的重构误差与重构阈值,得到第二检测结果;
对比节点的类别预测概率值与概率阈值,得到第三检测结果;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于已见类别,则输出该节点的已见类别;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于未见类别,则输出该节点为未见类别。
具体地,检测方法可以包括以下内容:
第一,用d(zi,Ej)表示节点x和已见类j的距离。遵循传统学习向量量化分类器中的未知类检测方法,对于节点x,如果它与所有已见类都不匹配,则识别其为未见类,否则分类为已见类,公式表达如下:
其中,τ1是基于距离检测的距离阈值。Ej是第j类密集目标编码。min表示取节点嵌入表示z到所有的密集目标编码中距离最小的值。在本申请中,可以通过确保验证集的90%的样本会被识别为已知类,以此来获得距离阈值τ1。
第二,重构误差能够限制生成器使得它对于已见类Xt具有较好的重建能力,对于未见类则表现出较差的重建能力。因此,对于输入样本的已见类的重构误差会比未见类样本的重构误差小。对于节点x,若它的重构误差较大,即:
节点x将被识别为未见类,否则分类为已见类。其中r(x)表示重构误差,τ2是基于重构检测的重构阈值。类似的,可以通过确保验证集的90%的样本会被识别为已知类,以此来获得重构阈值τ2。
第三,由于开放式学习分类器中的标签损失函数最小化了标记数据的真实类别标签和预测概率的交叉熵,而其中的类不确定损失函数使得训练样本中的“伪未见类”输出接近均匀分布。因此,对于给定的节点x,若它最大预测概率值低于某个值(如),即:
我们将标记其为未见类,否则将其分类为具有最大概率的类别。其中,阈值τ3将在验证集中自动确定,通过公式τ3=(avg_known+avg_E_unknown)/2,其中avg_known是非“伪未见类”的平均预测概率,avg_E_unknown是“伪未见类”(验证集中熵值最大的10%样本)的平均预测概率。
在以上三个检测结果均为该节点属于已见类别时,输出该节点的已见类别;在以上三个检测结果均为该节点属于未见类别,则输出该节点为未见类别。
在本申请实施例中,可以首先获取动态图数据,根据动态图数据确定动态图数据中的节点特征和图拓扑结构,其次将节点特征和图拓扑结构输入至神经网络模型中,由图神经网络模型输出每个节点的潜在分布,即动态图数据中动态演变的信息;对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;最后将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,且开放式节点分类器利用密集目标编码以及综合检测规则对已知分类的节点训练集进行训练得到,可以更加精准的检测出训练过程中未出现过的类以及正确分类已见类。
参见图3,示出了本申请另一实施例提供的开放式节点分类器训练的流程示意图。如图3所示,开放式节点分类器的训练可以包括以下步骤:
步骤301,将已知分类的节点训练集中的节点输入至开放式节点分类器中,获取节点的预测类别。
在本申请实施中,由于开放式节点分类器中包括密集目标编码以及综合检测策略,可以首先将已知分类的节点输入至分类器中,得出预测类别,以与节点的已知类别进行对比,判断预测类别的准确性。
步骤302,根据已知类别和预测类别,确定该节点的动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值。
在本申请实施例中,可以基于动态变分自编码器损失函数、标签损失函数、类不确定损失函数以及密集目标编码损失函数,根据已知类别和预测类别,确定该节点的动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值。
其中,密集目标编码损失函数表示为:
动态变分自编码损失函数表示为:
其中表示在后验分布/>的变分近似zt-1中的边缘分布。特别的,/>的表达式如下:
并且是dt带有delta函数的精确逼近。
标签损失函数表示为:
类不确定损失函数表示为:
其中,标签损失函数最小化了标记数据的真实类别标签和预测概率的交叉熵,而类不确定损失函数使得训练样本中的“伪未见类”输出接近均匀分布。
步骤303,利用动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值,进行模型反向传播。
在本申请实施例中,可以使用上述四个损失函数组成最终的目标学习函数,得出目标学习函数的总损失值,以根据总损失值,进行模型反向传播、示例性地,目标学习函数可以为
其中,λ1,λ2,λ3是平衡参数。
将动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值带入至目标学习函数中,可以得出总损失值,进而根据总损失值,进行模型反向传播。
步骤304,直到动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值均满足损失阈值,确定模型参数,完成开放式节点分类器的训练。
在本申请实施例中,当动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值的总损失值满足损失阈值时,确定开放式节点分类器的模型参数,以完成开放式节点分类器的训练。
在本申请实施例中,基于动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值对开放式节点分类器进行训练,确定模型参数,可以更加精确的学习输入节点的节点表示,以实现节点的正确分类。
参见图4,示出了本申请实施例提供的一种动态图数据的节点分类装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
动态图数据的节点分类装置具体可以包括:
数据获取模块401,用于获取动态图数据;
第一确定模块402,用于根据动态图数据,确定动态图数据中的节点特征和图拓扑结构;
潜在分布输出模块403,用于将节点特征和图拓扑结构输入至图神经网络模型中,由图神经网络模型输出每个节点的潜在分布;
生成模块404,用于对每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;
分类模块405,用于将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器输出每个节点所属的已见类别或未见类别,开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
在本申请实施例中,动态图数据包括多个时刻的静态图;第一确定模块402具体可以包括以下单元:
特征提取单元,用于根据多个时刻的静态图,提取每个时刻的静态图中的节点集合和边集合以及每个时刻的静态图中的节点特征;
结构确定单元,用于根据每个时刻的静态图中的节点集合和边集合,确定每个时刻的静态图的图拓扑结构。
在本申请实施例中,图神经网络模型包括四层网络;潜在分布输出模块403具体可以包括以下单元:
第一网络执行单元,用于将t时刻的静态图的节点特征和图拓扑结构输入至第一层网络,得到第一层网络输出的特征矩阵,其中,t时刻为动态图数据中对应的任一时刻;
第二网络执行单元,用于将特征矩阵输入至第二层网络,通过递归计算得到t时刻静态图对应的确定性特征矩阵,确定性特征矩阵用于表示各节点的确定性状态;
第三网络执行单元,用于基于第三层网络,根据t时刻的确定性特征矩阵以及t时刻的节点特征,确定t时刻各节点的随机状态;
第四网络执行单元,用于利用第四层网络对t时刻各节点的随机状态进行建模,获取每个节点的潜在分布。
在本申请实施例中,第一层网络为图卷积网络;第一网络执行单元具体可以用于:
将t时刻的静态图的节点特征和图拓扑结构输入至图卷积网络;
根据图卷积网络的网络参数、t时刻的静态图的节点特征和图拓扑结构,生成特征矩阵。
在本申请实施例中,第二层网络为循环卷积网络;第二网络执行单元具体可以用于:
将特征矩阵输入至循环卷积网络,根据t时刻的静态图对应的特征矩阵和循环卷积网络输出的t-1时刻的确定性特征矩阵,输出t时刻的确定性特征矩阵,以表示t时刻的确定性状态。
在本申请实施例中,第三网络执行单元具体可以用于:
通过在循环卷积网络中引入一个分离的随机层,确定一随机状态;
基于动态变分自编码器,采用一推断网络学习节点的后验分布,以估计随机层的网络参数;
根据t时刻的确定性特征矩阵和t时刻的节点特征以及随机层的网络参数,确定t时刻各节点的随机状态。
在本申请实施例中,第四网络执行单元具体可以用于:
根据多元高斯分布对t时刻各节点的随机状态进行建模,得到t时刻各节点的随机状态的均值向量和标准差向量;
根据t时刻各节点的随机状态的均值向量和标准差向量,采用重参数化算法,生成节点的潜在分布。
在本申请实施例中,生成模块404具体可以包括以下单元:
抽样单元,用于采用拉普拉斯分布对每个节点进行多次截断抽样,获取每个节点的多个截断抽样结果;
概率分布生成单元,用于对每个节点的多个截断抽样结果进行重参数化,生成每个节点对应的多个概率分布;
概率分布确定单元,用于将每个节点对应的多个概率分布分别取平均值,得到每个节点的概率分布。
在本申请实施例中,分类模块具体可以包括以下单元:
原型表示生成单元,用于将每个节点的概率分布输入至开放式节点分类器中,由开放式节点分类器通过密集目标编码对每个节点的概率分布进行编码,生成每个节点对应的已见类别的原型表示;
类别输出单元,用于通过基于距离、重构和概率相结合的综合检测策略,输出每个节点所属的已见类别或未见类别。
在本申请实施例中,类别输出单元具体可以用于:
对比节点与对应的已见类别的原型表示之间的距离与距离阈值,得到第一检测结果;
对比检测节点的重构误差与重构阈值,得到第二检测结果;
对比节点的类别预测概率值与概率阈值,得到第三检测结果;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于已见类别,则输出该节点的已见类别;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于未见类别,则输出该节点为未见类别。
在本申请实施例中,动态图数据的节点分类装置具体还可以包括如下模块:
预测获取模块,用于将已知分类的节点训练集中的节点输入至开放式节点分类器中,获取节点的预测类别;
损失确定模块,用于根据已知类别和预测类别,确定该节点的动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值;
反向传播模块,用于利用动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值,进行模型反向传播;
训练模块,用于直到动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值均满足损失阈值,确定模型参数,完成开放式节点分类器的训练。
本申请实施例提供的动态图数据的节点分类装置可以应用在前述方法实施例中,详情参见上述方法实施例的描述,在此不再赘述。
参见图5,图5示出了本申请一实施例提供的终端设备的结构示意图。如图5所示,该实施例的终端设备500包括:至少一个处理器510(图5中仅示出一个)、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序521,所述处理器510执行所述计算机程序521时实现上述任意动态图数据的节点分类方法实施例中的步骤。
所述终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器510、存储器520。本领域技术人员可以理解,图5仅仅是终端设备500的举例,并不构成对终端设备500的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器510可以是中央处理单元(Central Processing Unit,CPU),该处理器510还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器520在一些实施例中可以是所述终端设备500的内部存储单元,例如终端设备500的硬盘或内存。所述存储器520在另一些实施例中也可以是所述终端设备500的外部存储设备,例如所述终端设备500上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器520还可以既包括所述终端设备500的内部存储单元也包括外部存储设备。所述存储器520用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行时可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种动态图数据的节点分类方法,其特征在于,所述节点分类方案包括:
获取动态图数据;
根据所述动态图数据,确定所述动态图数据中的节点特征和图拓扑结构;
将所述节点特征和所述图拓扑结构输入至图神经网络模型中,由所述图神经网络模型输出每个节点的潜在分布;
对所述每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;
将所述每个节点的概率分布输入至开放式节点分类器中,由所述开放式节点分类器输出每个节点所属的已见类别或未见类别,所述开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
2.如权利要求1所述的节点分类方法,其特征在于,所述动态图数据包括多个时刻的静态图;所述根据所述动态图数据,确定所述动态图数据中的节点特征和图拓扑结构,包括:
根据所述多个时刻的静态图,提取每个时刻的静态图中的节点集合和边集合以及每个时刻的静态图中的节点特征;
根据所述每个时刻的静态图中的节点集合和边集合,确定每个时刻的静态图的图拓扑结构。
3.如权利要求2所述的节点分类方法,其特征在于,所述图神经网络模型包括四层网络;所述将所述节点特征和所述图拓扑结构输入至图神经网络模型中,由所述图神经网络模型输出每个节点的潜在分布,包括:
将t时刻的静态图的所述节点特征和所述图拓扑结构输入至第一层网络,得到所述第一层网络输出的特征矩阵,其中,t时刻为动态图数据中对应的任一时刻;
将所述特征矩阵输入至第二层网络,通过递归计算得到t时刻静态图对应的确定性特征矩阵,所述确定性特征矩阵用于表示各节点的确定性状态;
基于第三层网络,根据所述t时刻的确定性特征矩阵以及所述t时刻的节点特征,确定所述t时刻各节点的随机状态;
利用第四层网络对所述t时刻各节点的随机状态进行建模,获取所述每个节点的潜在分布。
4.如权利要求3所述的节点分类方法,其特征在于,所述第一层网络为图卷积网络,所述第二层网络为循环卷积网络,所述第三层网络为所述循环卷积网络中引入的一个分离的随机层和推断网络的结合,所述第四层网络为潜在分布生成网络。
5.如权利要求1所述的节点分类方法,其特征在于,所述对所述每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布,包括:
采用拉普拉斯分布对每个节点进行多次截断抽样,获取所述每个节点的多个截断抽样结果;
对所述每个节点的多个截断抽样结果进行重参数化,生成所述每个节点对应的多个概率分布;
将所述每个节点对应的多个概率分布分别取平均值,得到所述每个节点的概率分布。
6.如权利要求1所述的节点分类方法,其特征在于,所述将所述每个节点的概率分布输入至所述开放式节点分类器中,由所述开放式节点分类器输出每个节点所属的已见类别或未见类别,包括:
将所述每个节点的概率分布输入至所述开放式节点分类器中,由所述开放式节点分类器通过密集目标编码对所述每个节点的概率分布进行编码,生成每个节点对应的已见类别的原型表示;
通过基于距离、重构和概率相结合的综合检测策略,输出每个节点所属的已见类别或未见类别。
7.如权利要求6所述的节点分类方法,其特征在于,所述通过基于距离、重构和概率相结合的综合检测策略,输出每个节点所属的已见类别或未见类别,包括:
对比节点与对应的已见类别的原型表示之间的距离与距离阈值,得到第一检测结果;
对比检测节点的重构误差与重构阈值,得到第二检测结果;
对比节点的类别预测概率值与概率阈值,得到第三检测结果;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于已见类别,则输出该节点的已见类别;
若第一检测结果、第二检测结果以及第三检测结果均为该节点属于未见类别,则输出该节点为未见类别。
8.如权利要求7所述的节点分类方法,其特征在于,所述开放式节点分类器的训练过程为:
将已知分类的节点训练集中的节点输入至开放式节点分类器中,获取节点的预测类别;
根据已知类别和预测类别,确定该节点的动态变分自编码器损失值、标签损失值、类不确定损失值以及密集目标编码损失值;
利用所述动态变分自编码器损失值、所述标签损失值、所述类不确定损失值以及所述密集目标编码损失值,进行模型反向传播;
直到所述动态变分自编码器损失值、所述标签损失值、所述类不确定损失值以及所述密集目标编码损失值均满足损失阈值,确定模型参数,完成所述开放式节点分类器的训练。
9.一种动态图数据的节点分类装置,其特征在于,所述节点分类装置包括:
数据获取模块,用于获取动态图数据;
第一确定模块,用于根据所述动态图数据,确定所述动态图数据中的节点特征和图拓扑结构;
潜在分布输出模块,用于将所述节点特征和所述图拓扑结构输入至图神经网络模型中,由所述图神经网络模型输出每个节点的潜在分布;
生成模块,用于对所述每个节点的潜在分布进行截断的拉普拉斯分布抽样,生成每个节点的概率分布;
分类模块,用于将所述每个节点的概率分布输入至所述开放式节点分类器中,由所述开放式节点分类器输出每个节点所属的已见类别或未见类别,所述开放式节点分类器利用密集目标编码以及综合检测策略对已知分类的节点训练集进行训练得到。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641393.XA CN117668653A (zh) | 2023-12-01 | 2023-12-01 | 动态图数据的节点分类方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641393.XA CN117668653A (zh) | 2023-12-01 | 2023-12-01 | 动态图数据的节点分类方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668653A true CN117668653A (zh) | 2024-03-08 |
Family
ID=90063565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311641393.XA Pending CN117668653A (zh) | 2023-12-01 | 2023-12-01 | 动态图数据的节点分类方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668653A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310068A (zh) * | 2020-03-11 | 2020-06-19 | 广东工业大学 | 基于动态图的社交网络节点分类方法 |
CN112149717A (zh) * | 2020-09-03 | 2020-12-29 | 清华大学 | 基于置信度加权的图神经网络训练方法及装置 |
-
2023
- 2023-12-01 CN CN202311641393.XA patent/CN117668653A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310068A (zh) * | 2020-03-11 | 2020-06-19 | 广东工业大学 | 基于动态图的社交网络节点分类方法 |
CN112149717A (zh) * | 2020-09-03 | 2020-12-29 | 清华大学 | 基于置信度加权的图神经网络训练方法及装置 |
Non-Patent Citations (2)
Title |
---|
MAN WU等: "OpenWGL: open-world graph learning for unseen class node classification", 《KNOWLEDGE AND INFORMATION SYSTEMS》, 6 August 2021 (2021-08-06), pages 2405 - 2430, XP037544702, DOI: 10.1007/s10115-021-01594-0 * |
章秦等: "A Dynamic Variational Framework for Open-World Node Classification in Structured Sequences", 《IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》, 1 December 2022 (2022-12-01), pages 703 - 712 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Memon et al. | Generalised fuzzy c‐means clustering algorithm with local information | |
Wang et al. | Probabilistic diffusion for interactive image segmentation | |
CN106846361B (zh) | 基于直觉模糊随机森林的目标跟踪方法及装置 | |
CN111950692B (zh) | 用于改进的通用化的基于汉明距离的稳健输出编码 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
Liu et al. | Effective background modelling and subtraction approach for moving object detection | |
CN114091594A (zh) | 模型训练方法及装置、设备、存储介质 | |
Viet‐Uyen Ha et al. | High variation removal for background subtraction in traffic surveillance systems | |
CN113553577B (zh) | 基于超球面变分自动编码器的未知用户恶意行为检测方法及*** | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
Song et al. | Background subtraction using infinite asymmetric Gaussian mixture models with simultaneous feature selection | |
CN112418256A (zh) | 分类、模型训练、信息搜索方法、***及设备 | |
CN111652320B (zh) | 一种样本分类方法、装置、电子设备及存储介质 | |
CN116630816B (zh) | 基于原型对比学习的sar目标识别方法、装置、设备及介质 | |
CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
Chahine et al. | Information fusion for unsupervised image segmentation using stochastic watershed and Hessian matrix | |
Kong et al. | Image segmentation using a hierarchical student's‐t mixture model | |
CN113515519A (zh) | 图结构估计模型的训练方法、装置、设备及存储介质 | |
CN117668653A (zh) | 动态图数据的节点分类方法、装置及终端设备 | |
CN115758337A (zh) | 基于时序图卷积网络的后门实时监测方法、电子设备、介质 | |
Lijun et al. | An intuitionistic calculus to complex abnormal event recognition on data streams | |
CN112101476A (zh) | 一种图片分类方法、装置、电子设备及存储介质 | |
CN116912920B (zh) | 表情识别方法及装置 | |
CN113098867B (zh) | 基于人工智能的网络安全大数据处理方法及大数据云*** | |
KR102533512B1 (ko) | 개인정보 객체 탐지 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |