[发明专利]鲁棒性增强的图卷积方法及系统

说明书

本发明公开了一种鲁棒性增强的图卷积方法及系统，其中，该方法包括以下步骤：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，通过高斯分布的节点表征对邻居节点进行加权计算，以赋予邻居节点不同权重；基于采样的方式对高斯分布的节点表征的学习进行约束。该方法提出新的表征形式，增强图卷积算法的鲁棒性，并在新的表征形式下，设计卷积算法，使其能够更好的处理对抗攻击以及噪声信息。

技术领域

本发明涉及网络分析技术领域，特别涉及一种鲁棒性增强的图卷积方法及系统。

背景技术

目前图卷积算法在网络分析和节点分类等应用上均表现出优异的效果。例如，半监督学习的图卷积算法在多个数据集的节点分类任务上均表现出优于其他图算法的效果；基于链路预测的图卷积算法在多个数据集的节点推荐任务上均表现出优于其他图算法的效果。但现有的图卷积算法没有很好的考虑算法的鲁棒性，当原始的网络数据受到对抗攻击时，算法的效果会大大下降。

鉴于此，如何提高算法鲁棒性和对抗攻击效果的问题，亟待解决。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种鲁棒性增强的图卷积方法，该方法能够提升网络分析、节点分类等应用的实际效果，从而使得用户能有更好的体验。

本发明的另一个目的在于提出一种鲁棒性增强的图卷积系统。

为达到上述目的，本发明一方面提出了鲁棒性增强的图卷积方法，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；基于采样的方式对高斯分布的节点表征的学习进行约束。

本发明实施例的鲁棒性增强的图卷积方法，通过提出基于高斯分布的图卷积方式，利用方差项吸收对抗攻击以及噪声信息的影响，增强了图卷积算法的鲁棒性，提升了其在被攻击过的网络或者噪声信息较多的网络中的实际效果，并通过加权卷积计算的方式，避免了错误信息以及噪声信息的传播。

另外，根据本发明上述实施例的鲁棒性增强的图卷积方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

为达到上述目的，本发明另一方面提出了一种鲁棒性增强的图卷积系统，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；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。

本发明实施例的鲁棒性增强的图卷积系统，通过提出基于高斯分布的图卷积方式，利用方差项吸收对抗攻击以及噪声信息的影响，增强了图卷积算法的鲁棒性，提升了其在被攻击过的网络或者噪声信息较多的网络中的实际效果，并通过加权卷积计算的方式，避免了错误信息以及噪声信息的传播。