论文部分内容阅读
图是一种用于对实体及其关系进行建模的数据结构,其强大的表达能力得能够捕获数据之间的结构关系,从而与孤立分析数据相比获得更多见解。对图上的节点进行分类已经被应用到社交网络分析、欺诈检测和疾病预测等领域。由于较好的捕获实体依赖关系能力,图卷积网络等图神经网络被广泛应用于诸多图数据应用场景中,执行节点分类等任务。在复杂的图数据中进行高效地图学习还面临诸多挑战,本文结合基于图的自闭症谱系障碍(ASD)分类应用,主要针对以下两个问题开展研究:在带有标签噪声的图数据中如何提高图卷积网络的节点分类准确性;如何将图构建与图节点分类任务一起学习,实现更高效的图构建与节点分类。针对含有嘈杂标签的图数据,本文提出了在图卷积网络中引入置信学习来清理标签噪声的置信图卷积网络方法,该方法由图卷积网络和置信学习两部分组成,分别在图上执行分类和清理噪声,分工合作,从而实现鲁棒性分类。在此基础上,本文提出了置信图卷积网络改进方法,为未标记数据赋予伪标签以改善置信学习部分的噪声估计和清理能力,进而提升方法整体的准确性。然后,本文基于Cora图数据集构建带有标签噪声的实验数据集,验证了两个方法的有效性,在此基础上,基于ABIDE I数据集构建ASD被试群体图,在真实数据和注入标签噪声数据上进行ASD分类实验。针对图构建与图节点分类联合的问题,结合基于ABIDE I数据的被试群体图构建和ASD分类任务,区别于传统方法需要人工反复构建图、训练模型来寻找最优构图策略,本文提出了联合图卷积网络学习方法,该方法为构图过程中的每个构边特征分配一个衡量重要性的边权系数,将图构建参数化,与图卷积网络模型共同优化分类目标,从而自动地寻找最优的构图策略。在ABIDE I数据集上,学习基于静息态脑功能连接相似性、功能磁共振成像数据收集站点和性别等因素组合的被试群体构图策略,并进行ASD分类实验,实验结果表明方法的有效性。