[發明專利]一種圖神經網絡模型的節點修改方法和相關裝置

有效

• 申請號: 202110361331.8
• 申請日: 2021-04-02
• 公開（公告）號: CN113065651B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 陳亮;劉陽;彭啟標;鄭子彬
• 申請（專利權）人: 中山大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 楊小紅

本申請公開了一種圖神經網絡模型的節點修改方法和相關裝置，方法包括：獲取待修改的圖神經網絡模型和所述圖神經網絡模型中待修改的目標節點；獲取用于修改目標節點的目標觸發器，其中，所述目標觸發器由節點特征為目標特征的觸發節點構成，且所述目標觸發器的分類類別為預置類別；將所述目標觸發器連接至目標節點，以使得通過所述目標觸發器修改所述目標節點的分類類別為所述預置類別。解決了現有節點類別的修改方式是通過修改模型參數實現的，此時該節點對任何輸入都輸出指定類別的技術問題。

技術領域

本申請圖神經網絡技術領域，尤其涉及一種圖神經網絡模型的節點修改方法和相關裝置。

背景技術

圖神經網絡由于能夠學習到圖數據中的結構信息，被廣泛地運用于推薦系統、垃圾郵件檢測和謠言檢測等應用場景。

圖神經網絡在許多網絡應用場景中表現為開放的結構型數據，如社交網絡和電商網絡等。由于圖神經網絡的圖數據是開放的，容易被第三方獲取、查看或修改，甚至影響到模型的行為，因此存在安全隱患。如通過修改一個節點的特征和連接關系，使得該節點的類別被分類為指定類別。現有的節點類別的修改方式是通過使用修改后的圖數據重新訓練模型，即修改模型參數實現的，這導致該節點對任何輸入都輸出指定類別，但實際的使用是針對特定類型的輸入數據輸出指定類別，其他類型的數據則輸出正常分類結果。

因此，提供一種圖神經網絡的模型節點修改方法是本領域技術人員亟待解決的技術問題。

發明內容

本申請提供了一種圖神經網絡模型的節點修改方法和相關裝置，解決了現有的現有節點類別的修改方式是通過修改模型參數實現的，此時該節點對任何輸入都輸出指定類別的技術問題。

有鑒于此，本申請第一方面提供了一種圖神經網絡模型的節點修改方法，包括：

獲取待修改的圖神經網絡模型和所述圖神經網絡模型中待修改的目標節點；

獲取用于修改目標節點的目標觸發器，其中，所述目標觸發器由節點特征為目標特征的觸發節點構成，且所述目標觸發器的分類類別為預置類別；

將所述目標觸發器連接至目標節點，以使得通過所述目標觸發器修改所述目標節點的分類類別為所述預置類別。

可選地，所述目標觸發器的計算公式包括：

x^u＝g_top(-δ_t；q)；

式中，x^u為目標觸發器，g_top(·)目標觸發器中梯度向量最大的節點特征，δ_t為預置類別t和其他標簽之間的特征偏好差，q為修改預算。

可選地，所述觸發節點的目標特征的配置過程包括：

獲取初始觸發器，其中，所述初始觸發器為空觸發器；

將所述初始觸發器連接至所述目標節點，以激活所述初始觸發器；

根據預置觸發器優化算法，對所述初始觸發器中觸發節點的節點特征進行優化得到目標特征。

可選地，根據預置觸發器優化算法，對所述初始觸發器中觸發節點的節點特征進行優化得到目標特征，具體包括：

步驟S11、對所述初始觸發器進行第i次迭代，1≤i≤p，i為自然數，p為迭代次數；

步驟S12、計算第i次迭代時，所述初始觸發器的各節點特征對應的梯度向量；

步驟S13、將第i-1次迭代時選擇的節點特征過濾后，從其他節點特征中選擇梯度向量最大的節點特征作為目標特征；

步驟S14、將所述目標特征添加至所述初始觸發器中得到新觸發器；