【技术实现步骤摘要】
本专利技术涉及图神经网络对抗学习领域,特别是指一种基于异常检测的注意力净化图防御方法。
技术介绍
1、随着现实环境的日益复杂,图这种数据结构使用的愈发频繁。图可以很好的用来描述多实体多联系的复杂情景。例如在金融(交易网络)、化学医疗(分子图)、交通(路线图)、推荐(关系网络)等领域,图数据日益流行。在各个领域中,常见的图任务包括节点分类、链路预测、图分类等。
2、近年来伴随着深度学习的快速发展,图神经网络(gnns)被广泛认为是图表示学习的强大工具,并在许多图任务中取得了令人印象深刻的成就。针对不同领域的图数据,主流gnns遵循消息传递机制message-passing并依据图的结构信息来聚合相邻节点的特征以获得当前节点的特征向量,最后通过学习到的节点特征来完成一系列的下游图任务。然而尽管gnns如今取得的效果令人振奋,但消息传递机制根本上依赖于图数据的结构信息,换而言之图数据结构质量的好坏会对任务结果产生较大的影响。由于图数据的复杂性,现实环境中的图在多数情况下并非是高质量的图,往往在结构上存在固有噪音以及人为的恶意扰动,
...【技术保护点】
1.一种基于异常检测的注意力净化图防御方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,所述图链路预测模型采用VGAE模型。
3.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,所述VGAE模型包括图卷积网络编码器和内积解码器。
4.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,三个所述边簇{Edge1,Edge2,Edge3}的划分方法为:
5.根据权利要求4所述的一种基于异常检测的注意力净化图防御方法,其特征
...【技术特征摘要】
1.一种基于异常检测的注意力净化图防御方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,所述图链路预测模型采用vgae模型。
3.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,所述vgae模型包括图卷积网络编码器和内积解码器。
4.根据权利要求1所述的一种基于异常检测的注意力净化图防御方法,其特征在于,三...
【专利技术属性】
技术研发人员:李尤慧子,王忆,殷昱煜,梁婷婷,李玉,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。