[发明专利]面向图神经网络的鲁棒神经架构搜索方法及其系统

权利要求书

1.面向图神经网络的鲁棒神经架构搜索方法，其特征在于，包括：

S1、定义搜索单元为一条边及边上包含的操作构成的二元组，搜索空间S和GNN架构均为一个由若干搜索单元构成的集合；

S2、在搜索空间中搜索若干GNN架构，并对所有的GNN架构进行训练；

S3、采用对抗攻击方法生成对抗样本，将对抗样本输入每个已训练的GNN架构，将输出的准确率作为其鲁棒性指标；

S4、根据GNN架构的鲁棒性指标，搜索出具有相邻下标的GNN架构中满足预设条件的搜索单元，并存储至搜索单元集合；

S5、根据搜索单元集合B^*中的搜索单元，采用概率增强搜索策略搜索搜索空间中每条边最大权重对应的操作；

S6、采用搜索出的每条边的最大权重对应的操作构建形成GNN神经网络架构。

2.根据权利要求1所述的面向图神经网络的鲁棒神经架构搜索方法，其特征在于，所述步骤S4包括：

S41、查找架构集中具有相邻下标的GNN架构；判断GNN架构A_i的鲁棒性指标是否大于GNN架构A_i+1的鲁棒性指标；

S42、若是，则计算A_i-A_i+1得到的部分搜索单元，并将其存储至集合B₁中；

S43、否则，则计算A_i+1-A_i得到的部分搜索单元，并将其存储至集合B₂中；

S44、求取集合B₁和B₂的交集中的搜索单元，并存储至搜索单元集合B^*中。

3.根据权利要求1所述的面向图神经网络的鲁棒神经架构搜索方法，其特征在于，所述步骤S5包括：

S51、读取搜索空间中每条边每个操作的权重，构成权重矩阵α，构建一个与权重矩阵α维度相等、且元素均为零的初始矩阵α_R；

S52、将初始矩阵α_R中对应于搜索单元集合B^*中搜索单元的位置的权重设置为1，并计算初始矩阵α_R与权重矩阵α的距离度量ψ(α)；

S53、根据距离度量，获取对搜索单元集合B^*中搜索单元进行概率增强后的权重矩阵α：

s.t.ω^*(α)＝argmin_ωL_train(ω，α)

其中，L_train(ω，α)和L_val(ω，α)分别为GNN架构在训练集/验证集上的损失；λ为权重变量；ω为GNN架构中的可训练参数；ω^*(α)为使得GNN架构在训练集上的损失L_train最小时对应的可训练参数ω的值；

S54、根据概率增强后的权重矩阵α，选取搜索空间中每条边的最大权重对应的操作：

其中，0^(i，j)为边的最大权重对应的操作；argmax为求一个函数取最大值时其自变量取值的函数，为一条边所有操作组成的集合；为边(i，j)上操作o的权重；i和j分别为边的起点和终点。

4.根据权利要求3所述的面向图神经网络的鲁棒神经架构搜索方法，其特征在于，所述距离度量ψ(α)的计算公式为：

其中，||·||₂为欧氏距离。

5.根据权利要求1所述的面向图神经网络的鲁棒神经架构搜索方法，其特征在于，所述搜索空间S中的搜索单元数量大于GNN架构中搜索单元的数量。