【技术实现步骤摘要】
本专利技术属于图表示学习，具体涉及一种图数据预处理方法、系统、设备及介质。
技术介绍
1、图数据是一种普遍存在的数据结构形式，能够表示各种实体及其复杂的相互连接关系。图数据可以反映各种现实世界的网络，包括蛋白质网络、交通网络、社交网络等。目前，图神经网络(gnns)由于在节点分类、链接预测和图分类等任务中的显著表现，已成为一种有效分析图的强大工具。尤其是在图神经网络中引入无监督学习之后，在几乎不改变gnns的表示学习质量的同时，可以不依靠标签进行学习。
2、然而，许多研究表示，当图神经网络遭到恶意对抗攻击时，图神经网络表现出显著的脆弱性，换句话说，当输入图神经网络中的图数据的结构中具有微小扰动(污染的图数据)时，就有可能导致图神经网络产生错误的预测结果。因此，有必要对输入图神经网络中的图数据(被攻击图)进行预处理，识别受污染的图数据中的被扰动的结构，移除扰动结构，以提高模型性能。
3、目前，一些研究采用了基于相似性的检测方法来确定某个结构是否被扰动，即删除节点表示相似性非常低的节点之间的边缘。然而，这些方法在防御...
【技术保护点】
1.一种图数据预处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图数据预处理方法，其特征在于，所述去除待处理图数据的多个扰动边，得到粗略图，包括如下步骤：
3.根据权利要求2所述的图数据预处理方法，其特征在于，所述基于子图的整体嵌入表示和节点i的嵌入表示获取图数据节点i的异常得分，包括如下步骤：
4.根据权利要求2所述的图数据预处理方法，其特征在于，所述根据图数据节点的异常得分推导图数据的边的异常得分，通过下式获取：
5.根据权利要求3所述的图数据预处理方法，其特征在于，所述采用GCN模型学习节点i的子图嵌...
【技术特征摘要】
1.一种图数据预处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图数据预处理方法，其特征在于，所述去除待处理图数据的多个扰动边，得到粗略图，包括如下步骤：
3.根据权利要求2所述的图数据预处理方法，其特征在于，所述基于子图的整体嵌入表示和节点i的嵌入表示获取图数据节点i的异常得分，包括如下步骤：
4.根据权利要求2所述的图数据预处理方法，其特征在于，所述根据图数据节点的异常得分推导图数据的边的异常得分，通过下式获取：
5.根据权利要求3所述的图数据预处理方法，其特征在于，所述采用gcn模型学习节点i的子图嵌入表示，通过如下公式进行：
...
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。