[发明专利]一种基于图压缩的深度图分类模型防御方法

权利要求书

1.一种基于图压缩的深度图分类模型防御方法，其特征在于，包括以下步骤：

(1)设计端到端的深度图分类模型，根据分类准确率损失函数分别对干净样本与对抗样本的连边进行求梯度，得到所有连边权重系数；

(2)分别计算干净样本与对抗样本基于梯度的连边重要性与多种传统连边重要性指标的相关性，得到干净/对抗样本的梯度-传统连边重要性相似度；

(3)选择传统连边重要性指标与对抗样本中的连边进行排序，并与基于梯度的连边重要性排序结果进行重合率比较，提取对抗样本中的关键连边；

(4)根据提取到的关键连边进行图压缩，删除其余连边和孤立的节点，得到压缩后的图样本，并将压缩后的图样本重新输入深度图分类模型，输出压缩后的图分类准确率，实现深度图分类模型的防御过程。

2.根据权利要求1所述的基于图压缩的深度图分类模型防御方法，其特征在于，步骤(1)中，设计端到端的深度图分类模型的构建过程包括：

以GCN作为图分类模型，包括图卷积、池化与全连接三个模块；

S1：利用图卷积模块得到节点特征：使用两层GCN网络对含有N个节点的真实网络G_clean(V，E)的N×N的邻接矩阵A∈R^N×N和节点特征X∈R^N×K进行预训练，得到d维的节点特征Z∈R^N×d：

其中，是添加自连接的无向网络G的邻接矩阵，I_N是网络G的自连边矩阵；是的度值矩阵，对角线上的值，i与j分别表示的第i行与第j列；分别为输入到隐藏，隐藏到输出的权重矩阵，H₁为人为设定的隐藏层维度，|F|为图的类别数目；f和σ是softmax函数和Relu函数；

S2：利用池化模块对节点特征加权求和转化为图的特征，通过全连接输出图的预测类标置信度O∈R^|F|×1：

O＝f(σ(W_pZ)W_l) (2)

其中，W_p∈R^1×N是池化模块中的权重矩阵，它将整个图嵌入映射到一个1×d的潜在空间；W_l∈R^d×|F|是全连接模块中将嵌入映射到输出的权重矩阵；

S3：以公式(3)作为优化目标，对基于GCN的图分类模型进行迭代优化至收敛，提取收敛时对应的网络参数作为图分类器；

其中，L_l为图分类模型的优化损失函数；F＝[τ₁，…，τ_|F|]表示图类标集合，k表示第k列图，l表示第l个图，若图G_l属于类τ_k，则Y_lk＝1，否则Y_lk＝0，O_lk(X_l,A_l)是由公式(2)计算出的图分类置信度输出，O_lk表示O的第l行中的第k列的值。