一种针对图对比学习的无监督攻击方法技术

本发明专利技术公开了一种针对图对比学习的无监督攻击方法，恶意节点注入以攻击图数据，在原图上随机插入若干攻击节点，并进行随机连接；基于GIA攻击后的图数据，生成对比视角，在相同的编码器上学习嵌入，最后计算对比损失，迭代攻击邻接矩阵。本发明专利技术的方法首先利用对比学习的思想进行中毒图的生成，充分利用了不同对比视角下的信息特点，能够使模型脱离对标签的依赖；同时本发明专利技术将GIA方法引入到中毒图的生成过程中，从节点特征方面攻击了图数据。相比于其他方法，时间复杂度更低；在多个流行数据及上的效果均超过SOTA水平。上的效果均超过SOTA水平。上的效果均超过SOTA水平。

【技术实现步骤摘要】
一种针对图对比学习的无监督攻击方法


[0001]本专利技术涉及数据处理
，尤其涉及一种针对图对比学习的无监督攻击方法。

技术介绍

[0002]图是一种应用广泛的数据结构，它可以包含丰富的信息，实现多种功能，各个领域的数据自然以图结构表示，如文献(1)(2)(3)(4)，随着深度学习的快速发展，人们提出了各种机器学习模型来提取图结构数据中的信息。不幸的是，最近的研究表明，图学习模型并不稳定，如文献(5)并且容易受到干扰而出现显著的性能下降。例如，攻击者通过改变节点特征、添加和删除边缘、插入攻击节点等方式影响嵌入质量，从而降低下游任务的性能。此外，在图域中，攻击者可以很容易地实现类似的攻击，但它会严重影响下游任务的性能。因此有必要对其鲁棒性进行研究，研究抗攻击的鲁棒模型；目前，设计一种无监督攻击方法并不容易，必须克服以下几个问题:
[0003]1、如何设置度量嵌入质量的指标。对抗性攻击的目的在于干扰图的嵌入过程，进而降低各种下游任务的性能，因此不能反过来再用下游任务去衡量嵌入的质量。
[0004]2、如何使对抗攻击对随机增强具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对图对比学习的无监督攻击方法，其特征在于，包括以下步骤：S1：恶意节点注入以攻击图数据，在原图上随机插入若干攻击节点，并进行随机连接；S2：基于GIA攻击后的图数据，生成对比视角，在相同的编码器上学习嵌入，最后计算对比损失，迭代攻击邻接矩阵。2.根据权利要求1所述的针对图对比学习的无监督攻击方法，其特征在于：所述步骤S1中，通过注入恶意节点V
atk
使原图的特征矩阵X变为邻接矩阵A变为其中X
atk
表示注入的恶意节点的特征，A
atk
表示原图节点与恶意节点的邻接矩阵，O
atk
表示恶意节点间的邻接矩阵。3.根据权利要求2所述的针对图对比学习的无监督攻击方法，其特征在于：为了保证攻击的有效性并且不易被察觉，必须对注入节点的数目以及恶意节点的度，具体公式如下：|V
atk
|...

【专利技术属性】
技术研发人员：李青，李泽昊，王子越，吴冠中，党侨东，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：