[发明专利]一种基于图数据中节点之间相关性的图神经网络攻击方法

权利要求书

1.一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，具体包括以下步骤：

通过节点的邻接矩阵构造特征聚合矩阵，并用特征聚合矩阵构建代理模型；

将节点特征和特征聚合矩阵输入到代理模型，将目模型的输出与代理模型输出的交叉熵作为损失函数，利用梯度下降方法进行优化；

代理模型训练好以后，将代理模型线性化，去掉网络结构中所有的激活函数；

找出代理模型中，需要攻击的目标点第二可能被分为的类别；

计算代理模型将目标点分为正确类时每个节点之间的相关度以及代理模型将目标点分为第二可能类时每个节点之间的相关度；

选出对分为正确类时相关度最高的两个节点之间的边，同时这条边若在原图中存在，计算删除这条边后的影响值；

选出对分为第二类时相关度最高的两个节点之间的边，同时这条边若在原图中不存在，计算连上这条边后的影响值；

每次选择影响值最小的操作的一条边作为当前的修改，将本次修改后的图作为下一次攻击的起始图；

重复以上操作进行K次迭代，K次迭代后的图作为最终的扰动样本。

2.根据权利要求1所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，通过节点的邻接矩阵构造特征聚合矩阵包括：

其中，表示特征聚合矩阵中第i行、j列的元素；N_ei(i)表示节点i周围的邻居，N表示图中节点总数。

3.根据权利要求1所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，用特征聚合矩阵构建代理模型包括：

其中，f(A,X)为代理模型；W₁和W₂表示代理模型需要学习的参数；为特征聚合矩阵；A为图的邻接矩阵；X为图中节点特征矩阵；softmax(·)、relu(·)为激活函数。

4.根据权利要求1所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，计算相关性时，去掉代理模型激活函数后表示为：

其中，f(A,X)^*为去掉激活函数后，用于计算相关性的模型；为特征聚合矩阵；X为图中节点特征矩阵；W为代理模型中参数W₁、W₂矩阵乘结果。

5.根据权利要求1所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，代理模型将目标节点分为正确类或者第二可能类时每个节点之间的相关度表示为：

其中，Score(i,c)表示代理模型将第i个节点分为第c类时不同节点之间边的相关度；L(i,c)为代理模型中间层的相关度；为特征聚合矩阵；为特征聚合矩阵的第i行。

6.根据权利要求5所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，理模型中间层的相关度L(i,c)表示为：

其中，L(i,c)表示代理模型将第i个节点分为第c类时不同节点之间边的相关度，R(i,c)为输出层向中间层传递的相关性；为特征聚合矩阵；X为图中节点特征矩阵；为特征聚合矩阵的第i行；(·)_i表示矩阵第i行。

7.根据权利要求6所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，输出层向中间层传递的相关性R(i,c)表示为：

其中，f(A,X)^*_i,c为去掉激活函数后的代理模型将第i个节点分为第c类的概率；为特征聚合矩阵；A为图的邻接矩阵；X为图中节点特征矩阵；W^T_c为代理模型参数W₁、W₂矩阵乘并进行转置后的第c行。

8.根据权利要求1所述的一种基于图数据中节点之间相关性的图神经网络攻击方法，其特征在于，对图修改一条边后的影响值表示为：

其中，F(A',i)为修改一条边后的影响值，影响值越小，造成的影响越大；A'为修改一条边后的邻接矩阵；X为图中节点特征矩阵；表示修改后的图在去掉激活函数的代理模型中进行预测，第i个点分为c_p类的概率；表示修改后的图在去掉激活函数的代理模型中进行预测，第i个点分为c_t类的概率；c_p表示图修改后去掉激活函数的代理模型认为的除c_t外最可能的类。