一种基于图结构学习提升网络鲁棒性的优化方法技术

本发明专利技术公开了一种基于图结构学习提升网络鲁棒性的优化方法，首先通过重构新的低秩且稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中毒图的邻接矩阵，然后针对对抗性攻击连接节点并赋予明显的特征，通过保证图数据的特征平滑度来保护图数据不受攻击影响，获得训练图神经网络的总损失函数；最后进行GNN图神经网络的迭代学习得到最优的鲁棒性图神经网络。本发明专利技术有效的将对抗思想迁移到图数据来提升图神经网络的鲁棒性。本发明专利技术针对中毒图数据依旧保持良好的学习效率，在分类等各种任务上保持良好的效果。在各种对抗性攻击下都可以保持良好的整体鲁棒性，可以解决大部分的对抗性攻击。可以解决大部分的对抗性攻击。可以解决大部分的对抗性攻击。

【技术实现步骤摘要】
一种基于图结构学习提升网络鲁棒性的优化方法


[0001]本专利技术涉及图神经网络领域，增强图神经网络的鲁棒性，重构图结构，优化其节点分类表现。

技术介绍

[0002]尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。例如，在电子商务中，一个基于图(Graph)的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。这是因为图是不规则的，每个图都有一个大小可变的无序节点，图中的每个节点都有不同数量的相邻节点，导致一些重要的操作(例如卷积)在图像(Image)上很容易计算，但不再适合直接用于图。此外，现有深度学习算法的一个核心假设是数据样本之间彼此独立。然而，对于图来说，情况并非如此，图中的每个数据样本(节点)都会有边与图中其他实数据样本(节点)相关，这些信息可用于捕获实例之间的相互依赖关系。得益于其在非欧几里得空间数据中的表现，图网络研究方法正逐渐吸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图结构学习提升网络鲁棒性的优化方法，其特征在于，包括如下步骤：步骤一：通过重构新的低秩且稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中毒图的邻接矩阵；步骤二：针对对抗性攻击连接节点并赋予明显的特征，通过保证图数据的特征平滑度来保护图数据不受攻击影响；步骤三：根据前两个步骤，获得训练图神经网络的总损失函数；步骤四：进行GNN图神经网络的迭代学习，将预测邻接矩阵S初始化为中毒邻接矩阵A，随机初始化GNN网络参数，然后交替迭代地更新S和GNN参数θ得到最优的鲁棒性图神经网络Pro
‑
GNN。2.根据权利要求1所述的一种基于图结构学习提升网络鲁棒性的优化方法，其特征在于，步骤一具体方法如下：通过重构新的低秩且稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中毒图的邻接矩阵；其中邻接矩阵包含的低秩且稀疏性质能够形式化为：其中R(S)表示加在矩阵S上的约束，以增强低秩和稀疏的性质；所以上述公式也可以写成：其中S为学习到的新的邻接矩阵，A为中毒图的邻接矩阵；...

【专利技术属性】
技术研发人员：颜成钢，陈宸，陈楚翘，高宇涵，王鸿奎，孙垚棋，胡冀，朱尊杰，殷海兵，张继勇，李宗鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：