[发明专利]一种用于文档分类的基于强化学习的通过添加虚假节点的图对抗样本生成方法

摘要

本发明公开了一种基于强化学习的通过添加虚假节点的图对抗样本生成方法，包括：(1)获取原图数以及图节点分类模型，构造训练集和测试集；向原图数据中添加虚假节点，得到初始的对抗样本；(2)构建攻击模型；(3)在训练集中选择攻击目标；(4)把当前的对抗样本和攻击目标输入攻击模型，选择评估值最大的节点，构造新的对抗样本；(5)将新的对抗样本输入分类模型，若分类结果为目标的结果，得到对抗样本并进行下一步，否则跳转步骤(4)；(6)对攻击模型进行训练，并使用训练好的攻击模型进行测试和应用。本发明通过添加虚假节点的方法来生成图的对抗样本，能够为设计出更加鲁棒的图深度学习模型提供帮助。

主权项

1.一种基于强化学习的通过添加虚假节点的图对抗样本生成方法，其特征在于，包括：(1)获取原图数据(A，X)以及图节点分类模型，使用分类模型对原图数据进行预测，根据预测结果构造训练集和测试集，其中A是图的邻接矩阵，X是图中节点的特征；向原图数据中添加虚假节点，得到初始的对抗样本(A⁰，X⁰)；(2)构建深度学习攻击模型Q，并初始化参数；(3)在训练集中选择攻击目标(v^*，y^*)，其中v^*为目标节点，y^*为分类结果；(4)把当前的对抗样本(A^t，X^t)和攻击目标(v^*，y^*)输入攻击模型，计算得到所有候选节点的评估值，选择评估值最大的节点，并添加一条连接虚假节点和选择的节点的边，得到新的对抗样本(A^t+1，X^t+1)，其中t＝0，1，2，3...，T，T为最大修改次数；(5)将新的对抗样本(A^t+1，X^t+1)输入图节点分类模型，计算攻击目标节点的分类概率，计算图节点分类模型环境反馈的奖励信号r^t，累积奖励若分类结果为y^*，得到对抗样本(A^t+1，X^t+1)，跳转至步骤(6)；否则跳转至步骤(4)；(6)收集记录步骤(3)至步骤(5)的数据，通过最小化模型的损失函数对攻击模型进行训练；(7)使用步骤(6)中训练好的攻击模型对测试集中的样本生成对抗样本，进行验证和测试，并进行生成对抗样本的应用。