[發明專利]一種基于圖壓縮的深度圖分類模型防御方法

在審

• 申請號: 202110659694.X
• 申請日: 2021-06-11
• 公開（公告）號: CN113283540A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 陳晉音;張敦杰;徐曉東;黃國瀚
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F21/55
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 何秋霞;胡紅娟

本發明涉及圖科學技術領域，具體公開一種基于圖壓縮的深度圖分類模型防御方法，包括以下步驟：(1)設計深度圖分類模型，對干凈樣本與對抗樣本的連邊求梯度得到所有連邊權重系數；(2計算干凈/對抗樣本的梯度?傳統連邊重要性相似度；(3)選擇傳統連邊重要性指標與對抗樣本中的連邊進行排序，提取對抗樣本中的關鍵連邊；(4)根據提取到的關鍵連邊進行圖壓縮，并將壓縮后的圖樣本重新輸入深度圖分類模型，輸出壓縮后的圖分類準確率，實現深度圖分類模型的防御過程。本發明利用圖壓縮方法保留圖原始關鍵連邊并濾除對抗擾動連邊與非關鍵連邊，實現對圖分類的防御，防御成本更低；具有廣泛的適用性。

技術領域

本發明涉及圖科學技術領域，具體涉及一種基于圖壓縮的深度圖分類模型防御方法。

背景技術

在過去的幾十年中，由于大量結構化數據的收集，對于圖結構數據的研究越來越受到重視。在對圖的研究中，已經提出了圍繞節點和連邊的一系列結構屬性，包括節點中心性，聚類系數，協同性，成對節點之間的相似性等，這些屬性是許多基于圖的模型的基礎。此外，它們捕獲系統的某些本地拓撲信息，因此可用于設計網絡算法。

通常，節點中心性始終用于衡量系統中的個體重要性，Liben-Nowell和Kleinberg在社交網絡中采用了許多節點的相似性度量來預測它們之間在未來是否會存在新交互(參照文獻1：David Liben-Nowell,Kleinberg J.The link-prediction problem for socialnetworks[J].Journal of the American Society for Information Science andTechnology,2007.；即社交網絡中的鏈路預測問題)。他們發現有關未來交互的信息確實可以從網絡拓撲中提取出來。同樣地，連邊的重要性可以通過其相連的兩個節點的個體重要性來表示，例如Salton系數、Jaccard系等都是基于其兩個節點的共同鄰居，只是采用了不同的規范化方法。

深度圖神經網絡(GNN)相比一般算法，具有更強大的特征學習能力和特征表達能力，它依靠圖中節點之間的信息傳遞來捕捉圖中的依賴關系，進而得到每個節點的特征。深度圖分類模型是深度圖神經網絡在圖分類任務中的應用，常規的做法是將節點特征聚合為整體的圖特征(參考文獻2：J.Gilmer,S.S.Schoenholz,P.F.Riley,O.Vinyals,andG.E.Dahl,“Neural message passing for quantum chemistry,”arXiv preprint arXiv:1704.01212,2017.)。

隨著深度圖分類模型的進一步研究與應用，其安全性也逐漸得到研究人員的重視。許多研究人員已經注意到，用于圖分類的模型很容易被攻擊。甚至對圖的輕微、故意的擾動(也稱為對抗性擾動)，例如針對圖中較少連邊進行修改、添加虛假網絡節點等，都可能導致錯誤的預測。

Tang等人(參考文獻3：H.Tang,G.Ma,Y.Chen,L.Guo,W.Wang,B.Zeng,and L.Zhan,“Adversarial attack on hierarchical graph pooling neural networks,”arXivpreprint arXiv:2005.11560,2020.)針對深度圖分類模型提出了對抗性訓練防御手段，這種防御方法在對抗性樣本未知的前提下難以進行，且需要重新訓練模型，對計算資源要求較高。因此如何僅在已知初始干凈樣本的情況下，更簡便高效地提高深度圖分類模型的魯棒性有著重要的實踐意義。

發明內容

本發明目的是設計一種基于圖壓縮的深度圖分類模型防御方法及裝置，該防御方法通過比較干凈/對抗樣本基于梯度的連邊重要性與傳統連邊重要性指標的相似度差異，選擇差異變化最大的傳統連邊重要性指標進行圖壓縮，在保留對抗樣本中原始的關鍵連邊的同時濾除擾動連邊，提高深度圖分類模型對于對抗性攻擊的防御能力。

為實現上述目的，本發明采用的技術方案是：