基于结构误差的图卷积网络

来源：计算机应用研究杂志2023年第1期北京时间：

作者：吴琳,许茹玉,粟兴旺,黄金玻,王晓明,

单位：西华大学计算机与软件工程学院,成都610039；

摘要：针对图卷积网络选取交叉熵作为损失函数在小样本数据集上可能导致模型训练过拟合、模型泛化能力不强等问题，提出了基于结构误差的图卷积网络。将改进的基于结构误差的支持向量机（support vector machine，SVM）作为图卷积网络的分类器，能够降低模型过拟合的风险。在SVM的泛化误差理论基础上，对SVM的损失函数进行改进，所提出的方法在最大化异类样本间隔的同时限制同类样本间的间隔，提升了模型的泛化能力。首先计算特征空间中特征向量到中心点的平均距离，由它近似替换最小包含球的半径，然后由新的损失函数指导模型的学习。在基于骨骼的行为识别领域的NTU RGB+D60和NTU RGB+D120数据集上的实验证明，相比于传统的图卷积网络模型，所提出的方法能够明显提升识别准确率并且具有更好的泛化性能。

关键词：深度学习,行为识别,图卷积网络,SVM,半径间隔界,

基金资助：四川省自然科学基金资助项目(2022NSFSC0533)；；