[發明專利]一種圖網絡分類模型的訓練方法、裝置、系統及電子設備

有效

• 申請號: 202110421442.3
• 申請日: 2021-04-20
• 公開（公告）號: CN113269228B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 吳濤;先興平;許愛東;駱俊輝;楊楠;馬紅玉;姜豐
• 申請（專利權）人: 重慶郵電大學;南方電網科學研究院有限責任公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

本發明屬于圖數據安全領域，具體涉及一種圖網絡分類模型的訓練方法、裝置、系統及電子設備；所述方法包括采集圖數據集，并將所述圖數據集劃分為有標簽節點和無標簽節點；將有標簽節點的圖數據輸入到分類模型進行訓練；使用訓練完成后的分類模型對無標簽節點的圖數據分類；隨機從有標簽節點和無標簽節點中選擇出對抗節點，計算對抗節點對對抗樣本生成器損失函數的影響，從而產生對抗樣本；將對抗樣本輸入到訓練完成后的分類模型再次進行訓練，得到增強后的分類模型；本發明用訓練好的分類模型對無標簽節點的標簽進行預測，這樣有利于解決連通性問題以及半監督學習中的低標簽率問題。本發明能夠有效地提高節點分類模型的魯棒性。

技術領域

本發明屬于圖領域安全領域，具體涉及一種圖網絡分類模型的訓練方法、裝置、系統及電子設備。

背景技術

近年來，由于圖數據在現實世界中的普遍存在性，研究人員開始思考如何將深度學習模型應用于圖數據中。

圖深度學習模型被廣泛應用于社交網絡、社團檢測、推薦系統中。其中，圖卷積神經網絡是圖深度學習模型中最重要的一個分支。圖卷積神經網絡的應用場景大體上分為兩類，一類是節點層面的任務，一類是圖層面的任務。在圖層面的任務中，最常見的有圖生成，圖分類等任務；在節點層面的任務中，最常見的有節點分類任務，鏈接預測任務。節點分類任務是圖卷積神經網絡里面最流行且最被廣泛應用的任務之一。圖神經網絡模型中的節點分類任務是一種通過學習圖數據的特征來對節點預測一個真實類別的任務。

在深度學習領域中，利用深度學習模型的弊端破壞模型的方法稱為對抗攻擊，即針對輸入數據做出難以察覺的特殊改動，使得模型失靈。對抗攻擊的存在使模型安全性面臨著巨大的威脅。圖深度學習模型同樣會受到對抗攻擊的侵害。拿社交網絡節點分類為例，如果恐怖分子能夠產生對抗樣本使得模型將其分類為友好市民，就會給國家安全帶來危害。同樣地，在推薦系統中，如果攻擊者能夠向模型注入有害數據使得競爭對手的推薦模型性能下降，就可以在商業中獲得有利地位。因此，由于圖深度學習模型的普遍應用性，需要提出一些方法與機制來提高模型在面對對抗攻擊時的魯棒性。

發明內容

基于上述技術問題，本發明提供了一種圖網絡分類模型的訓練方法、裝置、系統及電子設備，這些方案能夠對無標簽節點進行分類，能夠擴充訓練樣本，有利于解決分類模型中的低標簽率問題。同時，本發明可以有效地解決在對抗訓練中訓練集與對抗樣本缺乏連通性的問題。能夠提高分類模型在面對對抗攻擊時的魯棒性。

在本發明的第一方面，本發明提供了一種圖網絡分類模型的訓練方法，所述方法包括：

采集圖數據集，并將所述圖數據集劃分為有標簽節點和無標簽節點；

將有標簽節點的圖數據輸入到分類模型進行訓練；

使用訓練完成后的分類模型對無標簽節點的圖數據分類；

隨機從有標簽節點和無標簽節點中選擇出對抗節點，計算對抗節點對對抗樣本生成器損失函數的影響，從而產生對抗樣本；

將對抗樣本輸入到訓練完成后的分類模型再次進行訓練，得到增強后的分類模型。

在本發明的第二方面，本發明還提供了一種圖網絡分類模型的訓練裝置，所述裝置包括：

數據采集模塊，用于采集圖數據集；

預處理模塊，用于將所述數據集劃分為有標簽節點和無標簽節點；

第一訓練模塊，用于將有標簽節點的圖數據輸入到分類模型進行訓練；

預分類模塊，用于從訓練完成后的分類模型對無標簽節點的圖數據分類；

數據生成模塊，用于選擇部分標簽節點作為對抗節點，并計算對抗節點對對抗樣本生成器損失函數的影響，從而產生對抗樣本；