[发明专利]网络对抗训练样本生成方法及图神经网络鲁棒性评估方法

权利要求书

1.一种网络对抗训练样本生成方法，其特征在于，包含如下内容：

依据图神经网络设置原始样本数据的扰动参数并初始化，该扰动参数至少包含：扰动方式、扰动总数及用于存放扰动用数据节点编号的扰动列表，其中，扰动方式为图结构扰动或样本标签扰动；

在原始样本数据中添加诱导数据，获取扰动后的邻接矩阵或标签矩阵，利用目标损失函数正向训练图神经网络，获取训练后的网络参数；并依据训练后的网络参数获取攻击损失，并计算攻击损失对邻接矩阵或标签矩阵的攻击梯度；将攻击梯度转化为梯度矩阵，并选取梯度矩阵中最大的两个元素，将该最大的两个元素对应的数据节点编号加入扰动列表；循环执行根据扰动列表在原始样本数据中添加诱导数据并利用目标损失函数训练图神经网络的步骤，更新扰动列表，直至满足循环终止条件；

根据更新后的扰动列表在原始样本数据上注入诱导数据，得到最终生成的训练样本。

2.根据权利要求1所述的网络对抗训练样本生成方法，其特征在于，依据正向训练的目标损失函数及未扰动的原始样本数据邻接矩阵或标签矩阵来获取攻击损失。

3.根据权利要求1所述的网络对抗训练样本生成方法，其特征在于，将攻击梯度转换为梯度矩阵时，并对矩阵符号进行有效处理，保留对扰动有效的攻击梯度，其余位置置零。

4.根据权利要求3所述的网络对抗训练样本生成方法，其特征在于，对矩阵符号进行有效处理中，对于扰动后邻接矩阵或符号矩阵的元素值为1且梯度值为负数时或对应的元素值为0且梯度值为正数时，则视为是对扰动有效的攻击梯度。

5.根据权利要求3或4所述的网络对抗训练样本生成方法，其特征在于，梯度矩阵的转换过程包含如下内容：利用矩阵逐元素相乘法将扰动后的邻接矩阵或标签矩阵与攻击梯度矩阵相乘，获取中间矩阵；将中间矩阵中的正值置为1，负值置为0，得到结果矩阵；依据结果矩阵和中间矩阵的逐元素相乘及转置相加，得到转换后的梯度矩阵。

6.根据权利要求5所述的网络对抗训练样本生成方法，其特征在于，中间矩阵计算公式表示为：其中，为扰动后邻接矩阵或标签矩阵的攻击梯度，为攻击损失。

7.根据权利要求6所述的网络对抗训练样本生成方法，其特征在于，转换后的梯度矩阵表示为：其中，F_x为对应的结果矩阵。

8.一种图神经网络鲁棒性评估方法，其特征在于，包含如下内容：

收集图神经网络图结构数据和样本标签数据作为网络学习样本集，并将样本集划分为训练集和测试集；

将训练集中的图结构数据和样本标签数据作为图神经网络输入数据，对图神经网络进行正向训练，并利用测试集对训练后的图神经网络进行测试，获取图神经网络在测试集上的分类准确率；

将训练集作为原始样本数据，利用权利要求1所述的样本生成方法生成的训练样本对图神经网络进行重新训练，并利用测试集对训练后的图神经网络进行测试，再次获取图神经网络在测试集上的分类准确率；

利用前后两次获取的图神经网络在测试集上的分类准确率的差值来评估图神经网络鲁棒性。

9.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求1～7任一项所述的网络对抗训练样本生成方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求8所述的图神经网络鲁棒性评估方法的步骤。