[发明专利]鲁棒性增强的图卷积方法及系统

权利要求书

1.一种鲁棒性增强的图卷积方法，其特征在于，包括以下步骤：

通过高斯分布的图卷积算法利用方差项吸收对抗攻击以及噪声信息的影响；

在计算卷积时，通过所述高斯分布的节点表征对邻居节点进行加权计算，以赋予所述邻居节点不同权重；以及

基于采样的方式对高斯分布的节点表征的学习进行约束。

2.根据权利要求1所述的方法，其特征在于，还包括：

选择一个在节点上具有特征信息的网络；

通过所述图卷积算法对所述网络进行参数学习，得到所述节点表征。

3.根据权利要求1所述的方法，其特征在于，所述通过高斯分布的图卷积算法利用方差项吸收对抗攻击以及噪声信息的影响，包括：

利用所述方差项表示出节点的不确定性，根据所述方差项的变化确定受到对抗攻击的节点。

4.根据权利要求1所述的方法，其特征在于，所述邻居节点的权重和方差成反比，其中，受到对抗攻击的节点方差值大，则对应节点权重小。

5.根据权利要求1所述的方法，其特征在于，所述基于采样的方式对高斯分布的节点表征的学习进行约束，包括：

在预设高斯分布中采样出确定值；

根据节点的方差和均值，对所述确定值进行线性变换，得到所述节点表征的样本；

将所述节点表征的样本作为损失函数的输入，计算梯度，并利用梯度下降的方式对所述节点表征进行修改。

6.一种鲁棒性增强的图卷积系统，其特征在于，包括：

吸收模块，用于通过高斯分布的图卷积算法利用方差项吸收对抗攻击以及噪声信息的影响；

加权计算模块，用于在计算卷积时，通过所述高斯分布的节点表征对邻居节点进行加权计算，以赋予所述邻居节点不同权重；以及

约束模块，用于基于采样的方式对高斯分布的节点表征的学习进行约束。

7.根据权利要求6所述的系统，其特征在于，还包括：

选择模块，用于选择一个在节点上具有特征信息的网络；

学习模块，用于通过所述图卷积算法对所述网络进行参数学习，得到所述节点表征。

8.根据权利要求6所述的系统，其特征在于，所述吸收模块包括：利用所述方差项表示出节点的不确定性，根据所述方差项的变化确定受到对抗攻击的节点。

9.根据权利要求6所述的系统，其特征在于，所述邻居节点的权重和方差成反比，其中，受到对抗攻击的节点方差值大，则对应节点权重小。

10.根据权利要求6所述的系统，其特征在于，所述约束模块包括：

采样单元，用于在预设高斯分布中采样出确定值；

线性变换单元，用于根据节点的方差和均值，对所述确定值进行线性变换，得到所述节点表征的样本；

约束单元，用于将所述节点表征的样本作为损失函数的输入，计算梯度，并利用梯度下降的方式对所述节点表征进行修改。