一种融合近端策略优化的图对抗攻击方法技术

一种融合近端策略优化的图对抗攻击方法，设定目标函数、攻击环境，基于节点注入攻击网络、价值预测网络并进行训练过程；所述目标函数用于定义攻击者对目标模型的攻击策略；所述攻击环境用于定义图强化学习对抗攻击方法中的相关组件；所述节点注入攻击网络，在不修改已有节点或边的情况下，顺序生成注入节点的特征与链接；所述价值预测网络用来计算扰动图在每个阶段的数值评分V；所述训练过程用于训练融合近端策略优化的图对抗攻击方法；所述目标函数于定义攻击者对目标模型的攻击策略，本发明专利技术能够进一步提高攻击性能，同时能缓解传统的图强化学习对抗攻击方法中，攻击策略的梯度步长不易确定的问题。

【技术实现步骤摘要】

本专利技术属于面向图神经网络的对抗攻击领域，具体涉及一种融合近端策略优化的图对抗攻击方法(a novel graph adversarial attack method by incorporatingproximal policy optimization，简写为gaa-ppo)。

技术介绍

1、近年来，随着科技的研究与发展，深度神经网络被广泛应用于各种领域，如自然语言处理、推荐系统、物体识别、图像识别等。图结构作为一种描述两个对象之间关系的数据结构，在社交网络，电子商务网络，通信网络等场景中扮演着重要的角色。利用图神经网络从图结构数据中提取特征信息，在预测和分析领域中显示出了良好的效果，包括图分类、链路预测、节点分类等。虽然图神经网络有着各种各样的应用，但是近来的研究报告表明，通过精心修改图的拓扑结构或者节点属性，就会严重影响图神经网络的性能。例如，在金融或医疗的信用评分系统中，攻击者可以通过伪造一些与信用度较高用户的联系来绕过欺诈检测系统；或者在社交网络中，谣言发送者可以通过虚假关注者的创建，向网络中注入错误信息，以增加谣言散播的机会。

本文档来自技高网...

【技术保护点】

1.一种融合近端策略优化的图对抗攻击方法，其特征在于，设定目标函数、攻击环境，基于节点注入攻击网络(Actor网络)、价值预测网络(Critic网络)并进行训练过程；

2.根据权利要求1所述的一种融合近端策略优化的图对抗攻击方法，其特征在于，所述边采样器采用图神经网络APPNP作为信息聚合模块进行恶意边生成的过程包括：

3.根据权利要求1所述的一种融合近端策略优化的图对抗攻击方法，其特征在于，所述价值预测网络(Critic网络)用于获取当前扰动图的评分，它的评分可以帮助Actor网络做出正确的决策，其过程包括：

4.根据权利要求1所述的一种融合近端策略...

【技术特征摘要】

1.一种融合近端策略优化的图对抗攻击方法，其特征在于，设定目标函数、攻击环境，基于节点注入攻击网络(actor网络)、价值预测网络(critic网络)并进行训练过程；

2.根据权利要求1所述的一种融合近端策略优化的图对抗攻击方法，其特征在于，所述边采样器采用图神经网络appnp作为信息聚合模块进行恶意边生成的过程包括：

3.根据权利要求1所述的一种融合近...

【专利技术属性】
技术研发人员：曹杰，孙见山，杨致，舒文，朱桂祥，杨书新，常晓洋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：