一种面向网络分类模型的数据增强方法

技术领域

本发明涉及网络分类图像数据增强技术领域，特别是涉及一种面 向网络分类模型的数据增强方法。

背景技术

网络分类是网络科学中重要的学习任务，被广泛应用于生物化学 和网络科学领域。不同于节点层面的任务，网络分类需要关注网络的 全局信息，这既包含了网络的结构信息，也包含各个节点的属性信息。 给定多个网络，以及每个网络对应的类标，网络分类任务需要通过学 习得到一个由网络到对应类标的网络分类模型，模型的重点在于如何 通过学习得到一个优秀的网络表示向量。虽然近年来，基于核、嵌入 以及图神经网络的网络分类方法得到了极大的发展，但数据规模的限 制使得这些模型容易陷入过拟合和弱泛化的问题，由于网络数据的特 殊性质，将传统的图像数据增强技术直接应用到网络数据上面临着诸 多挑战，如：传统数据增强技术无法对不规则的网络数据进行几何变 换，且传统数据增强技术处理的样本符合机器学习算法的样本独立同 分布假设，这与网络的结构依赖性相悖。

发明内容

本发明要克服上述现有技术存在的问题，提供一种面向网络分类 模型的数据增强方法，从实际需求和应用的角度出发，设计出一个完 整的面向网络分类模型的数据增强方案。

本发明提供一种面向网络分类模型的数据增强方法，包括如下步 骤：

S1：加载化合物网络数据集，构建图核模型与传统机器学习模型； 具体包括：

加载包含t个网络的化合物网络数据集D＝{(G

S2：将图核模型与传统机器学习模型组合，得到网络分类模型；

S3：将化合物网络数据集划分为训练集D

S3-1：将验证集D

S3-2：通过验证集的所有样本预测概率向量p

Ω

S3-3：对k类标签的平均概率向量q

Q＝[q

概率混淆矩阵Q的大小为|Y|×|Y|，概率混淆矩阵中的元素q

S3-4：验证集的样本类标可靠度r

S3-5：基于优化方程对所有验证集样本的类标可靠度r

其中，

S4：针对训练集中的每一个原始网络，使用数据映射策略扩充生 成新网络，将扩充生成的新网络存入数据池D

S4-1：获取候选增边集合：给定任意原始网络G，在任意原始网 络G中寻找长度为2的路径模体motif，通过邻接矩阵的乘方进行路 径搜索，寻找模体motif，A

候选增边集合中包含了所有模体motif的头尾节点对；

S4-2：利用资源分配指标计算候选增边集合

其中，Γ(i)表示节点v

在计算

S4-3：根据增边权重集合W

其中，β为采样比例，m为原始网络G的边数，βm为两者的乘积取 整，表示增加的边的数量，e

S4-4：根据增边集合E

通过加权随机采样的方式选择候选边进行删除，候选边e的权重

删边权重集合W

S4-5：根据增边集合E

G'＝(V,(E∪E

S5：提取数据池D

S5-1：通过公式

S5-2：新的训练集由初始训练集D

S6：利用得到的新的训练集重新训练网络分类模型，得到新的网 络分类模型C'。

优选地，步骤S1所述化合物网络数据集为PTC_MR网络数据集(公 鼠致癌物数据集)，该数据集信息为：344个网络，2类，平均节点14.29，平均边14.69。

优选地，所述S3中通过所述测试集,评价预训练网络分类模型训 练的效果，得到的平均分类精度为47.1％。

优选地，步骤S3-3中，得到分类模型的概率混淆矩阵为：

步骤S3-4中，得到的分类模型的类标可靠度阈值为θ＝0.4657611247：

优选地，步骤S5中，最终筛选得到的扩充新样本个数为198。

优选地，步骤S6中利用得到的新训练集重训练网络分类模型， 得到新的网络分类模型C'，新模型在测试集上的精度为51.4％，模型 的分类性能得到了显著的提升。

本发明能有效提升小型标准化合物网络数据集的数据规模，提升 数据质量，实现网络数据增强；更进一步，扩充后的数据集用于重训 练网络分类模型，能有效提升模型的分类性能，本发明时间复杂度较 低，运算速度快。

附图说明

图1是本发明方法的流程图；

图2是本发明方法的总体架构；

图3是本发明方法的开放式三角链式motif示意图；

图4是本发明方法的motif的边修改过程示意图；

图5是本发明方法的面向SF网络分类模型的mutag数据增强流 程图。

具体实施方式

下面将结合本实施例中的附图，对本发明实施例中的技术方法进 行清楚：完整地描述，显然，所描述的实施例仅仅是本发明一部分实 施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技 术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属 于本发明保护的范围。

参照图1-5所示，本发明提供一种面向网络分类模型的数据增强 方法，包括以下步骤；

S1：加载包含t个网络的化合物网络数据集D＝{(G

S2：将图核模型与传统机器学习模型组合，得到网络分类模型；

S3：将数据集按比例划分为训练集D

S3-1：将验证集D

S3-2：通过验证集的所有样本预测概率向量p

Ω

S3-3：对k类标签的平均概率向量q

Q＝[q

概率混淆矩阵Q的大小为|Y|×|Y|，概率混淆矩阵中的元素q

S3-4：验证集的样本类标可靠度r

S3-5：基于优化方程对所有验证集样本的类标可靠度r

其中，

S4：针对训练集D

S4-1：获取候选增边集合：给定任意原始网络G，在任意原始网 络G中寻找长度为2的路径模体motif，通过邻接矩阵的乘方进行路 径搜索，寻找模体motif，A

候选增边集合中包含了所有模体motif的头尾节点对；

S4-2：利用资源分配指标计算候选增边集合

其中，Γ(i)表示节点v

在计算

S4-3：根据增边权重集合W

其中，β为采样比例，m为原始网络G的边数，βm为两者的乘积取 整，表示增加的边的数量，e

S4-4：根据增边集合E

通过加权随机采样的方式选择候选边进行删除，候选边e的权重

删边权重集合W

S4-5：根据增边集合E

G'＝(V,(E∪E

S5：将验证集D

S5-1：通过公式

S5-2：新的训练集由初始训练集D

S6：利用得到的新训练集重新训练网络分类模型，得到新的网络 分类模型C'，新模型在测试集上的精度明显提升。

本发明提供的网络分类一般应用于生物、化合物领域。比如说蛋 白质、酶等化合物的分子结构可以看成是一个网络图，其中节点表示 原子，边表示化学键。网络分类一般用于对这些化合物从结构层面进 行区分，比如说判断该种化合物是否具有致癌性、毒性、诱变性等。

本发明能有效提升小型标准网络数据集的数据规模，提升数据质 量，实现网络数据增强；能有效提升模型的分类性能，且时间复杂度 较低，运算速度快。

为了进一步验证本发明一种面向网络分类模型的数据增强方法， 本实施例使用了PTC_MR网络数据集(公鼠致癌物数据集)和NetLSD 网络分类模型对本发明进行解释；

S1：加载PTC_MR网络数据集D＝{(G

S2：数据集按7:2:1的比例划分为训练集D

S3：针对训练集中的每一个网络G，使用数据映射策略扩充生成 新网络，获得的新网络存入数据池D

S3-1、给定原始网络G(id＝1)，如图5原始网络所示，原始网 络节点数为8，边数为8，按公式

S3-2：利用公式

S3-3：根据增边权重集合W

S3-4：得到了增边集合E

S3-5：根据增边集合E

S4：针对新生成的网络的标注问题，利用数据筛选策略，选择类 标可靠度高的新网络作为扩充样本，操作步骤如下：

S4-1：将验证集D

S4-2：根据验证集的所有样本的预测概率向量，计算类标的平均 概率向量q

S4-3：该分类模型的类标可靠度阈值θ由所有验证集样本的类标 可靠度r

S4-4：按公式

S5：利用得到的新训练集重训练网络分类模型，得到新的网络分 类模型C'，新模型在测试集上的精度为51.4％，模型的分类性能得到 了显著的提升。得到的新模型可以用于公鼠致癌物分类与检测，判断 一种化合物是否能诱导公鼠基因突变，诱发癌症。同时，根据训练使 用的数据集的不同，得到优化后的模型可以用于不同的场景，如药物 毒性检测，蛋白质分类等。

本发明得到的新的网络分类模型C'的具体应用点可以落到药物 分类、蛋白质分类、化合物分类等，能够应用于化合物致癌性检测、 毒性检测中；因为上述这些任务用到的数据集规模较小，训练出来的 模型会过拟合，为了缓解过拟合的问题，本发明针对网络数据提出了 数据增强方法，用来缓解过拟合问题，提高分类模型的性能，取得了 良好的效果。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本 发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普 通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本 发明权利要求书确定的保护范围内。