摘要: 卷积神经网络的研究由来已久，由于它强大的学习能力以及数值计算设备的支持，其被广泛地用于解决图像检测、图像识别、以及图像分类等方面的问题。图像是有规则的网格数据集，卷积操作很容易被定义。然而，在现实世界当中，有很多不规则的图数据，比... 展开 卷积神经网络的研究由来已久，由于它强大的学习能力以及数值计算设备的支持，其被广泛地用于解决图像检测、图像识别、以及图像分类等方面的问题。图像是有规则的网格数据集，卷积操作很容易被定义。然而，在现实世界当中，有很多不规则的图数据，比如引文网络、交通网络、社交网络和人体骨架识别网络。针对这些不规则的数据集，标准的卷积神经网络已然失效，新类型的图卷积网络需要被探索。本文通过解决半监督图节点分类的问题，来进行图卷积算法的改进。本文工作如下所示： （1）基于数据增广规整的半监督图卷积网络研究： 半监督学习的图节点分类任务当中，只有少部分的图节点是有标签的，而无标签节点的数目是非常多的。在图卷积网络当中，只有有标签的节点将会进入损失函数当中，而无标签节点将不会进入。由于无标签节点不受约束的本性，模型不太稳定，这将导致过拟合问题的出现。为了解决这个问题，我们将增加一个约束无标签节点变化的规整项，该规整项是两次模型数据增广之后的输出结果差值的平方值。在本小节中，我们主要做出了以下几点贡献：①为验证规整项在线性模型和非线性模型上都有效，我们主要在非线性模型GCN（GraphConvolutionalNetworks）和线性模型SGC（SimplifyingGraphConvolutionalNetworks）上进行实验；②图数据主要是由图节点和图结构所组成，因此，我们针对这两方面设计丰富的增广技巧，包括特征扰动，边的扰动以及两者的结合；③图卷积网络是典型浅层网络，不像卷积神经网络那样可以做得很深，因此我们探索了数据增广强度对模型的影响。最后，我们在引文网络数据集上进行了大量的对比实验，我们方法的节点分类准确率大大超过标准的图卷积网络模型。 （2）基于流形相似度学习的半监督图卷积网络研究： 图卷积网络是基于二进制邻接矩阵来聚合近邻节点的信息，预测节点的类别。图中的目标节点总是被一些异构节点所环绕，对于该节点而言，周围节点的影响是不同的。然而，二进制邻接矩阵并没有体现这一点，这些噪声节点将会影响节点分类的性能。基于这个问题，我们试图使用相似度来衡量各近邻节点的影响因子。欧式空间的高斯热核相似度首先被提出，它代替了二进制近邻矩阵来衡量欧式空间中节点间的相似度。进一步地，为了更好地学习局部流形结构，捕捉图数据的拓扑结构，我们迭代地学习流形相似度来表示近邻节点的关系。最后，我们将其拓展到核空间（reproducingkernelHilbertspace，RKHS），运用不同的核函数来学习节点间的相似度，将获得的相似度替换掉原始的二进制邻接矩阵。最后，在标准数据集上进行对比实验。实验结果证明我们方法能够抑制不相关节点的干扰，强化标签一致节点对中心节点的影响力。 （3）基于流形相似度及增广规整的半监督图卷积网络研究：在这一工作中，我们将前两个工作的想法进行了结合，我们将缓解过拟合的方法融合到流形相似度学习的图卷积网络算法中，提出了基于流形相似度及增广规整的半监督图卷积网络算法研究。该工作既能够缓解过拟合，还能够抑制不相关近邻的影响，强化标签一致近邻的特征传播的权重。最后在半监督图节点分类的数据集上进行了实验，并与第一个工作和第二个工作进行了对比，均验证了该算法的有效性。 收起