申请/专利权人:苏州大学
申请日:2024-01-11
公开(公告)日:2024-04-12
公开(公告)号:CN117875359A
主分类号:G06N3/042
分类号:G06N3/042;G06N3/045;G06N3/0475;G06N3/084;G06N3/094
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种基于动量梯度候选的图对比学习对抗性攻击方法,涉及图技术领域,方法包括以下步骤:对原始图进行数据增强得到两个视图,将两个视图输入至预先建立的图神经网络模型内,得到两个视图的嵌入表示和目标损失函数;通过反向传播计算当前模型下所有图节点的梯度信息,然后将两个视图邻接矩阵的梯度更新为动量梯度,将两个动量梯度求和;并根据梯度的符号,绝对值大小和边是否真实存在,生成扰动候选图的集合,将扰动候选图集合中的所有扰动候选图输入至预先建立的评估函数内,生成损失值,根据损失值的大小选出本轮的正式扰动边,从而生成本轮扰动图;重复以上步骤,至扰动边的数量达到设定扰动阈值,生成最终扰动图。
主权项:1.一种基于动量梯度候选的图对比学习对抗性攻击方法,其特征在于,方法包括以下步骤:接收原始图,对原始图进行数据增强得到两个视图,将两个视图输入至预先建立的图神经网络模型中,得到两个视图的嵌入表示,从而计算目标损失;通过反向传播计算图神经网络模型下目标损失相对于所有图节点的梯度信息,然后将两个视图节点的梯度更新为动量梯度,将两个动量梯度求和得到动量梯度和;根据动量梯度和的符号,绝对值大小和边是否真实存在,确定边的翻转,生成候选扰动边,从而生成扰动候选图集合,将扰动候选图集合中的所有扰动候选图输入至预先建立的评估函数内,生成损失值,根据损失值的大小选出本轮的正式扰动边,生成本轮扰动图;重复以上步骤,至扰动边的数量达到设定扰动阈值,生成最终扰动图。
全文数据:
权利要求:
百度查询: 苏州大学 一种基于动量梯度候选的图对比学习对抗性攻击方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。