(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210543268.4 (22)申请日 2022.05.16 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 尹宝才　赵珈艺　孙艳丰　 (74)专利代理 机构 北京市中 闻律师事务所 11388 专利代理师 冯梦洪 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 从原始图像学习的图卷积聚类方法及装置 (57)摘要 从原始图像学习的图卷积聚类方法及 装置， 对预先提供的图的质量要求不高， 模 型学习的灵 活性更强， 对各种复杂的聚类应用的鲁棒性更 好。 方法包括： (1)采用深度自动编码器DAE学习 原始图像中判别力强的数据表 示， 探索数据的潜 在属性信息； (2)从原始图中学习具有低秩和稀 疏结构的自适应图； 引入图的拉普拉斯约束， 同 时学习最优的图关系和数据的判别表示； (3)进 行自监督的聚类， 自监督节点表示的学习， 在聚 类中使用软 赋值分布作为聚类标签 。 权利要求书3页 说明书8页 附图1页 CN 114881159 A 2022.08.09 CN 114881159 A 1.从原始图像学习的图卷积聚类方法， 其特 征在于： 该 方法包括以下步骤： (1)采用深度自动编码器DAE学习原始图像中判别力强的数据表示， 探索数据的潜在属 性信息； (2)从原始图中学习具有低秩和稀疏结构的自适应图； 引入图的拉普拉斯约束， 同时学 习最优的图关系和数据的判别表示； (3)进行自监督的聚类， 自监督节点表示的学习， 在聚类中使用软赋值分布QZ作为聚类 标签。 2.根据权利要求1所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (1)中， 假设DAE包含个编码器层， 假设给定第(l ‑1)‑th层表示 第l层编码器通过以 下非线性操作学习新的表示： 其中 为变换矩阵， 为相应的偏差， φ为非线性激活函数； H(0)表示原始特征X； 经过L编码器学习过程， 学习潜在和判别表示 DAE的解码器对 的原始数据进 行对称重构， 解码器操作被定义 为: 其中 和 分别为变换矩阵和解码器学习过程中的偏差， 目标函数的自然定义如下: 其中 为重建的数据特 征。 3.根据权利要求2所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (2)中， 自适应地学习一个邻接图矩阵s具体的结构和性质接 近于原始的图结构A： s.t.S＝ST， S∈[0， 1]N×N    (5) 其中， λ＞0是一个平衡的参数， 第一项 保证新的邻接连接矩阵S不偏离原始 图矩阵A。 4.根据权利要求2所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (2)中， 将统一的自适应图学习模型的目标函数表示 为： s.t.S＝ST， S∈[0， 1]N×N    (6) 其中， α和β 为超参数， 平衡稀疏项和低秩项的贡献， 表示学习一个邻接图矩权　利　要　求　书 1/3 页 2 CN 114881159 A 2阵S的结构和性质接近于原始的图结构A， α ||S||1表示通过最小化矩阵S的l1范数来追求稀 疏结构， β ||S||*表示最小化矩阵S的核范 数来追求低秩结构。 5.根据权利要求4所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (2)中， 将统一的自适应图学习模型的目标函数表示 为： s.t.S＝ST， S∈[0， 1]N×N    (10) 其中， A为原始的图结构， S为学习到的邻接矩阵， N为节点数， X为节点属性特征， α， β和 λ 为超参数， 平衡了稀疏项， 低秩项和平滑项的贡献， LS＝D‑S是S的图拉普拉斯矩阵， 使用归 一化的拉普拉斯矩阵 代替LS。 6.根据权利要求5所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (2)中， 当学习邻接矩阵S时， 定义动态图嵌入 模块： 其中， S为学习到的邻接矩阵， I是N ×N的单位矩阵， 是节点度矩阵， 其中 并且， W(l)是可学习的参数， 第(l ‑1)‑th层图卷积学习表示 作为第l层的 输入， 得到新的表示形式Z(l)。 7.根据权利要求6所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (3)中， 总体目标函数为： s.t.S＝ST， S∈[0， 1]N×N    (19) 其中S为学习到的邻接矩阵， N为节点数， γ为超参数， 来平衡动态图学习与图卷积 嵌入 学习表示的贡献， 和 8.根据权利要求7所述的从原始图像学习的图卷积聚类方法， 其特征在于： 所述步骤 (3)中， 将目标聚类分布PH与原始聚类表示分布QH之间的KL差异最小化： 其中PH＝[PH|ij]表示目标聚类分布， QH＝[QH|ij]表示H的聚类分布， 最小化分布PH和QZ之 间的KL散度 其中， PH＝[PH|ij]表示目标聚类分布， QZ＝[QZ|ij]为表示Z的聚类分布， QZ|ij的计算方法 为 其中， { μ1， μ2，…， μC}是表示Z＝[z1， z2，…， zN]的簇中心， 对Z执行K ‑means进行初始化， QZ权　利　要　求　书 2/3 页 3 CN 114881159 A 3