CN113076738B Gnn编码器及基于图上下文学习的异常点检测方法 （北京智谱华章科技股份有限公司）

GNN编码器及基于图上下文学习的异常点检本申请提出了一种基于图上下文学习的异下文对比学习来衡量异常与正常节点与图上下数据的稀缺性影响，本专利额外将CoGCL扩展为一种无需标注数据的自监督预训练框架CoGCL-伪标签来进行自监督学习。采用上述方案的CoGCL框架明显优于现有各种对比方法；其无需监督数据的自监督版本CoGCL-pre可以达到与完全监督版本CoGCL相当的效果，并且解决了标注2通过CoGCL异常点检测框架学习所述图网络中节点与图上下文的距离，当所述节点与所述CoGCL异常点检测框架包括GNN编码器和对比损失函数，通过所述GNN编码器获取将所述节点与图的距离作为潜在的标签，通过所述潜在的标签辅助在所述图表示更新器中引入记忆缓存，通过所述记忆缓存记录上一所述记忆缓存作为指导计算这层每个节点向所述通过所述记忆缓存记录上一层的图表示，并用所述记忆缓存作为指s"表示第l层第i个结点的重要度得分，af"为结点i重要度得分的归一化表示，3.如权利要求2所述的异常点检测方法，其特征在于，对所述边更新器进行更新的方3其中，ReLU为非线性激活函数并将得分映射到[0,1]，为结点i与结点j之间的边其中，对于每一条边的可信度得分从Gumbel分布中采样一个噪音ε∈Gumbel(0,其中，λ代表超参数，中括号代表向下取整，ε为从Gumbel分布中采样一个噪音ε∈其中，为损失函数，为上层第l-1层的边，为结点i与结点j之间的边4通过特征函数对当前节点的向量表示进行更新，得到更新后的节点向还包括异常点预测，计算所述的节点向量和图向量的余弦相似度述每个节点的节点向量和图向量进行图对比学习包括：通过调用聚类等图分割方法将所述的原始图分成I个子图且I为正整对于每一个所述的子图Gi，向所述子图Gi中注入子图Gj的节点集得到扰动后的图GjEI:5[0001]本申请涉及计算机网络信息技术领域，尤其涉及GNN编码器及基于图上下文学习6q(l)为更新后的本层图表示。[0027]其中，ReLU为非线性激活函数并将得分映射到[[0029]其中，对于每一条边的可信度得分从Gumbel分布中采样一个噪音ε∈Gumbel""的可信度得分。通过所述的交叉熵损失函数对所述边更新器的拟合进行加7[0045]使用上一层的图表示q(l-1)作为记忆m，通过下述公式来计算[0052]通过CoGCL异常点检测框架学习所述图网络中节点与图上下文的距离，当所述节8[0069]对于每一个子图Gi，[0072]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得[0073]图1为本申请实施例使用t-SNE方法将每篇论文的初始向量映射到二维向量空间9[0080]下面参考附图描述本申请实施例的燃料电池堆多片膜电极多参数同步检测方法q(l)为更新后的本层图表示。[0105]其中，对于每一条边的可信度得分从Gumbel分布中采样一个噪音ε∈Gumbel通过所述的交叉熵损失函数对所述边更新器的拟合进行加"为上层(第l-1层)的边，为结点i与结点j之间的[0121]使用上一层的图表示q(l-1)作为记忆m，通过下述公式来计算[0128]通过CoGCL异常点检测框架学习所述图网络中节点与图上下文的距离，当所述节得到一个新的扰动后的图G:[0151]图1展示了使用t-SNE方法将每篇论文的初始向量映射到二维向量空间的可视化[0153]进一步地，论文的初始向量是通过将论文的标题和关键词输入BERT模型而得型处理后的节点向量与图上下文的距离分布，体现出CoGCL相对于传统基于GCNs的分类模[0155]具体地，本申请实施例中提出了一种基于图上下文对比学习的异常点检测框架[0159]其中,该损失函数拉近了正常节点与图上下文表示的[0165]节点表示更新器:根据调整后的邻接矩阵，聚合节点的邻居信息以更新当前节点[0168]图表示更新器:根据更新后的节点向量以及上一层的图表示来更新得到当前的图q(l)为更新后的本层图表示。上下文以及节点向量的互信息来保存图信息；GraphCL通过最大化一个图的两个增强视图来保存图信息.因此，我们提出了一种无需标签的自监督预训练策略来解决图中的异常检于每一个子图Gi，我们向其注入属于其它子图的节点的扰动后的图G,其中的节点邻接矩阵为总体邻接矩阵Aq(l-1))为添加的图的全局信[0183]具体而言，对于每一条边的可信度得分我们从Gumbel分布中采样一个噪音ε"为结点i与结点j之间的[0188]在本申请实施例中，节点表示更新器:更新当前节点的向量表示具体可以分为如[0202]评测指标：我们采用AreaUnderROCCurve(AUC)以及MeanAveragePrecision合分类指标；MAP是一种排序的指标，用在异常点检测领域则更多地强调异常点的相对排入BERT中得到。远地优于最先进的比对方法：在AUC指标上高出11.70-20.45在MAP指标上高出19.58-术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器[0219]本技术领域的普通技术人员可以