【技术实现步骤摘要】
本专利技术涉及机器学习和深度学习，尤其涉及一种基于同配性增强的图神经网络方法。
技术介绍
1、研究表明，图神经网络（graph neural networks，gnn）容易受到噪声和对抗性攻击，即对图的节点属性和图结构的微妙扰动会严重影响图神经网络的性能，尤其会对图中低度节点的预测结果造成巨大影响。gnn的基本思想是通过聚合节点的邻居信息来更新节点的特征表示，进而得到最终的预测结果。一般来说，gnn在具有相似特征的数据集或包含类标签的节点之间有连接趋势的数据集上表现良好，将节点趋于与其相似节点连接的性质称为同配性，将具有同配性的节点所构成的数据集称为同配性数据集。
2、同配性数据集在图神经网络的研究中占主导地位，在同配性数据集上，有效的结构性攻击会导致图的同配性降低，异配性增加。这是由于传统gnn利用迭代的gnn传递消息，即图中节点表示是通过迭代聚合的邻居信息生成的，此时图中的小扰动会被传播到邻域进一步影响更大范围内的节点表示。由于低度节点的邻居少，所以低度节点受该扰动的影响更大，进而极大地降低了图神经网络模型在下游任务中的...
【技术保护点】
1.一种基于同配性增强的图神经网络方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于同配性增强的图神经网络方法，其特征在于，所述步骤1进一步包括：
3.根据权利要求2所述的一种基于同配性增强的图神经网络方法，其特征在于，步骤1.3中所述同配性分数的计算公式为：
4.根据权利要求2所述的一种基于同配性增强的图神经网络方法，其特征在于，所述步骤2进一步包括：
5.根据权利要求4所述的一种基于同配性增强的图神经网络方法，其特征在于，步骤3中所述利用增强后的同配图训练条件变分自动编码器的过程为：假设增强后的...
【技术特征摘要】
1.一种基于同配性增强的图神经网络方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于同配性增强的图神经网络方法，其特征在于，所述步骤1进一步包括：
3.根据权利要求2所述的一种基于同配性增强的图神经网络方法，其特征在于，步骤1.3中所述同配性分数的计算公式为：
4.根据权利要求2所述的一种基于同配性增强的图神经网络方法，其特征在于，所述步骤2进一步包括：
5.根据权利要求4所述的一种基于同配性增强的图神经网络方法，其特征在于，步骤3中所述利用增强后的同配图训练条件变分自动编码器的过程为：假设增强后的同配图的潜在变量符合先验分布，且满足时，其中表示...
【专利技术属性】
技术研发人员：商雅名，袁野，陈明，季航旭，王一舒，马玉亮，吴安彪，
申请(专利权)人：东北大学，
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。