1. 划分数据集

对训练特征（不包括填充数据的零元素）进行归一化：

numGraphsTrain = size(featuresTrain,3)
for j = 1:numGraphsTrain
 validIdx = 1:nnz(featuresTrain(:,1,j))
 featuresTrain(validIdx,:,j) = (featuresTrain(validIdx,:,j) - muX)./sqrt(sigsqX)
end

对验证特征使用相同的统计数据进行归一化，并排除填充数据的零元素 ​

​

1.  创建数据存储和组合数据

为验证特征和邻接数据创建数据存储并组合：

featuresValidation = arrayDatastore(featuresValidation,IterationDimension=3)
adjacencyValidation = arrayDatastore(adjacencyValidation,IterationDimension=3)
dsValidation = combine(featuresValidation,adjacencyValidation)

模型定义

（一）模型概述

模型输入特征矩阵X和邻接矩阵A，输出分类预测。模型利用掩码多头自注意力机制聚合节点邻域的特征（节点邻域是指与该节点直接相连的节点集合），邻接矩阵生成的掩码用于防止不同邻域节点之间的注意力计算。模型在前两个注意力算子后使用ELU非线性激活函数，并在最后两个注意力算子之间使用跳跃连接以帮助收敛。利用平均法对输出节点特征进行图级预测，最后使用sigmoid操作计算独立的类别概率。 ​

​

 （二）初始化模型参数

1. 创建注意力头数量结构体

numHeads = struct
numHeads.attn1 = 3
numHeads.attn2 = 3
numHeads.attn3 = 5

1. 创建模型可学习参数结构体并初始化权重

初始化第二个注意力操作的权重

初始化第三个注意力操作的权重

（三）定义模型函数和损失函数

创建model函数，其输入模型参数、输入特征和邻接矩阵以及每个图的节点数，返回标签预测。创建modelLoss函数，其输入模型参数、一批输入特征和相应的邻接矩阵、每个图的节点数以及相应的编码标签目标，返回损失、损失相对于可学习参数的梯度以及模型预测。 ​

​

dsValidation.UnderlyingDatastores{1}.ReadSize = miniBatchSize
dsValidation.UnderlyingDatastores{2}.ReadSize = miniBatchSize

初始化Adam优化器参数：

trailingAvg = []
trailingAvgSq = []

训练模型：

​

​

如果有GPU可用，将测试数据转换为gpuArray对象，并使用训练特征的统计数据对测试特征进行归一化。创建测试特征和邻接数据的数据存储并组合，对测试标签进行编码。

使用modelPredictions函数对测试数据进行预测，并将预测概率转换为二进制编码标签，通过计算F – score评估性能。

可视化每个类别的混淆矩阵和接收者操作特征（ROC）曲线。

总结

本文详细介绍了基于图注意力网络的多标签图分类方法，包括数据准备、模型定义、训练过程、测试过程以及使用新数据进行预测等环节，并对模型相关的各个函数进行了阐述。这种方法在处理具有图结构和多个独立标签的数据时具有一定的优势，可以为相关领域的研究和应用提供有效的分类模型，在化学分子等具有图结构的数据分类问题中有着潜在的应用价值，通过对模型参数的合理设置和训练，可以提高分类的准确性和可靠性，为进一步的分析和决策提供有力支持。同时，不同的函数在模型的构建和运行中发挥着各自独特的作用，共同构成了完整的图分类系统。但需要注意的是，训练GAT是一个计算密集型任务，在实际应用中需要考虑硬件资源的限制。此外，对于模型的改进和优化可以进一步探索，以适应更复杂的数据集和应用场景。