[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

说明书

本发明属于图神经网络分析领域，具体涉及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，包括构建代理模型并对该模型进行优化训练；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；计算代理模型对目标点进行分类之后的每个节点之间的相关度；若正确类中相关度最高两点之间存在边关系，则计算删除该边后的影响值；若第二可能类中相关度最高两点之间不存在边关系，则计算连接两个后的影响值；将上述影响值最小的作为当前修改，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；本发明有效提升目标模型与代理模型的一致性，提升了攻击的成功率。

技术领域

本发明属于图神经网络分析领域，具体涉及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。

背景技术

在现实生活中，存在许多以图形式表示的数据，例如社交网络，知识图谱，生物分子式等，对图数据进行挖掘已成为一个热门话题。近年来，许多神经网络模型被提出来用于将图形式的数据提取成低维向量，用于各种下游任务中，如在节点分类，链接预测，推荐系统等领域都取得了很好的效果。然而深度学习模型极其脆弱，，用户可以构造的轻微扰动就会影响模型的结果，图神经网络作为深度学习模型下的一个分支，也拥有这个缺陷。由于图数据中的结构特征等信息更容易暴露，图神经网络学习节点新表示时样本之间不独立，对一个节点的细微扰动可能导致图中许多节点出错。这些潜在的问题限制了其在金融系统或风险管理等高风险场景下的应用。例如在金融借贷系统的风险评估中。由企业之间的股权关系，个人客户之间的亲属关系、转账关系贸易关系等构成一个社交图。我们可以很轻易的改变某个人的社交联系。例如让一些信用差的用户与其建立关系，系统将会将其判断为信用低用户。并拒绝为其提供后续的服务，这种情况影响稍小，若系统将信用低的用户判定为信用好的用户，那么这种情况可能对企业造成巨大的影响。图攻击算法可以为我们设计防御策略提供见解，有很大的潜力促进图神经网络在更广泛的领域被成功采用。

现有的大部分的研究工作都是从优化的角度出发，将图数据看做待优化的信息，根据梯度信息对邻接矩阵或节点特征进行优化，翻转梯度绝对值最大的边。这些大量的研究都是对GCN进行攻击找出扰动图再迁移到其他模型中。近年来，基于空间的图卷积模型越来越受关注，根据其通过聚合邻居节点特征学习新表示的特点。由于现有方法代理模型的聚合逻辑与基于空间的图卷积的聚合逻辑不同，导致现有的方法找出的扰动样本不能很好的迁移到其他模型中。

发明内容

为了解决上述问题，本发明提出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，如图1，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。

进一步的，通过节点的邻接矩阵构造特征聚合矩阵包括：