[發明專利]一種基于網絡結構增強的圖卷積模型防御方法、裝置和系統在審
| 申請號： | 202011172492.4 | 申請日： | 2020-10-28 |
| 公開（公告）號： | CN112215300A | 公開（公告）日： | 2021-01-12 |
| 發明（設計）人： | 陳晉音;黃國瀚;張敦杰 | 申請（專利權）人： | 浙江工業大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 杭州天勤知識產權代理有限公司 33224 | 代理人： | 曹兆霞 |
| 地址： | 310014 浙*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 網絡 結構 增強 圖卷 模型 防御 方法 裝置 系統 | ||
1.一種基于網絡結構增強的圖卷積模型防御方法，其特征在于，包括以下步驟：
針對對抗網絡圖，基于節點的共同鄰居數統計對抗網絡圖中節點的相似度并獲得相似度矩陣，利用相似性矩陣對對抗網絡圖的對對抗連邊進行的濾除，獲得濾除網絡圖；
構建圖卷積模型，利用濾除網絡圖對圖卷積模型進行分類任務預訓練，并獲得圖卷積模型收斂時對應的梯度矩陣，利用梯度矩陣對濾除網絡圖進行有益連邊的添加，獲得增強網絡圖；
將增強網絡圖作為預訓練后的圖卷積模型的輸入，利用圖卷積模型實現具有防御功能的分類任務預測；
所述對抗網絡圖為被攻擊的蛋白質分子網絡圖、通信網絡圖、金融交易網絡圖或社交網絡圖，所述圖卷積模型防御方法適用于對蛋白質分子網絡圖、通信網絡圖、金融交易網絡圖或社交網絡圖的分類任務預測。
2.如權利要求1所述的基于網絡結構增強的圖卷積模型防御方法，其特征在于，針對表示為G(A,X)的對抗網絡圖，其中，A表示對抗網絡圖的鄰接矩陣，X表示對抗網絡圖的節點特征矩陣，節點的共同鄰居數表達為：
Sij＝|Γ(i)∩Γ(j)|
其中，Γ(i)表示節點i的鄰居節點集合，Γ(j)表示節點j的鄰居節點集，Sij表示節點i與節點j的共同鄰居數；
通過對抗網絡圖的鄰接矩陣求乘積運算獲得節點的共同鄰居數Sij作為相似度，進而獲得相似度矩陣S：
S＝A2。
3.如權利要求2所述的基于網絡結構增強的圖卷積模型防御方法，其特征在于，利用相似性矩陣對對抗網絡圖的對對抗連邊進行的濾除時，對相似度矩陣S進行排序，選擇相似度矩陣S中相似度較小的兩個節點所對應的連邊進行刪除：
其中，k表示迭代次數，Δ表示迭代次數閾值，min(S)表示取相似度矩陣S中最小相似度，當相似度矩陣S中最小相似度min(S)等于相似度Sij，并且對抗網絡圖G(A,X)中節點i與節點j之間存在連邊，即Aij＝1時，則刪除連邊Aij；
每次迭代刪除連邊后，根據刪除連邊后的網絡更新相似度矩陣S。
4.如權利要求1所述的基于網絡結構增強的圖卷積模型防御方法，其特征在于，濾除對抗連邊的濾除網絡圖記為其中，表示濾除網絡圖的鄰接矩陣，X表示濾除網絡圖的節點特征矩陣，與對抗網絡圖的節點特征矩陣相同，利用濾除網絡圖對圖卷積模型進行分類任務預訓練時，以交叉熵損失函數最小化為訓練目標，叉熵損失函數L為：
其中，NL表示一組帶有類標的節點，F＝[τ1,···,τ|F|]是網絡中節點的類標集合，|F|被定義為節點的總類標數，若第l個節點nl屬于第k個類標τk，則Ylk＝1，若第l個節點nl不屬于第k個類標τk，則Ylk＝0，表示圖卷積模型對于鄰接矩陣中第l個節點nl針對第k個類標τk的預測置信度；
根據叉熵損失函數L獲得每個連邊的梯度，進而獲得梯度矩陣g：
其中，gij表示節點i與節點j之間連邊的梯度。
5.如權利要求4所述的基于網絡結構增強的圖卷積模型防御方法，其特征在于，利用梯度矩陣對濾除網絡圖進行有益連邊的添加時，對梯度矩陣g進行排序，選擇其中連邊梯度值較小且在濾除網絡圖中不存在連邊的兩個節點進行有益連邊添加：
其中，k表示迭代次數，Δ表示迭代次數閾值，min(g)表示取梯度矩陣g中最小梯度，當梯度矩陣g中最小梯度min(g)等于gij，并且濾除網絡圖中節點i與節點j之間不存在連邊，即時，則增加有益連邊
每次迭代刪除連邊后，根據增加連邊后的網絡更新梯度矩陣g。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江工業大學，未經浙江工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202011172492.4/1.html，轉載請聲明來源鉆瓜專利網。
