(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211201830.1 (22)申请日 2022.09.29 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 颜成钢　陈宸　陈楚翘　高宇涵　 王鸿奎　孙垚棋　胡冀　朱尊杰　 殷海兵　张继勇　李宗鹏　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 朱月芬 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 40/02(2012.01)G06F 16/901(2019.01) (54)发明名称 一种基于图结构学习提升网络鲁棒性的优 化方法 (57)摘要 本发明公开了一种基于图结构学习提升网 络鲁棒性的优化方法， 首先通过重构新的低秩且 稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中 毒图的邻接矩阵， 然后针对对抗性攻击连接节点 并赋予明显的特征， 通过保证图数据的特征平滑 度来保护图数据不受攻击影 响， 获得训练图神经 网络的总损失函数； 最后进行GNN图神经网络的 迭代学习得到最优的鲁棒性图神经网络。 本发明 有效的将对抗思想迁移到图数据来提升图神经 网络的鲁棒性。 本发明针对中毒图数据依旧保持 良好的学习效率， 在分类等各种任务上保持良好 的效果。 在各种对抗性攻击下都可以保持良好的 整体鲁棒性， 可以解决大部分的对抗 性攻击。 权利要求书2页 说明书6页 附图1页 CN 115496186 A 2022.12.20 CN 115496186 A 1.一种基于图结构学习提升网络 鲁棒性的优化方法， 其特 征在于， 包括如下步骤： 步骤一： 通过重构新的低秩且稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中毒图的 邻接矩阵； 步骤二： 针对对抗性攻击连接节点并赋予明显的特征， 通过保证图数据的特征平滑度 来保护图数据不受攻击影响； 步骤三： 根据前两个步骤， 获得训练图神经网络的总损失函数； 步骤四： 进行GNN 图神经网络的迭代学习， 将预测邻接矩阵S初始化为中毒邻接矩阵A， 随机初始 化GNN网络参数， 然后交替迭代地更新S和GNN参数θ得到最优的鲁棒性图神经网络 Pro‑GNN。 2.根据权利要求1所述的一种基于图结构学习提升网络鲁棒性的优化方法， 其特征在 于， 步骤一具体方法如下： 通过重构新的低秩且稀疏的邻接矩阵来学习到新的邻接矩阵S逼近中毒图的邻接矩 阵； 其中邻接矩阵包 含的低秩且 稀疏性质能够形式化 为： 其中R(S)表示加在矩阵S上的约束， 以增强低秩和稀疏的性质； 所以上述公式也可以写 成： 其中S为学习到的新的邻接矩阵， A为中毒图的邻接矩阵； α和β 分别为控制稀疏性和低 秩属性的设置参数。 3.根据权利要求2所述的一种基于图结构学习提升网络鲁棒性的优化方法， 其特征在 于， 步骤二具体方法如下： 针对对抗性攻击连接节点并赋予明显的特征， 通过保证图数据的特征平滑度来保护图 数据不受攻击影响； 其中特 征平滑性能够形式化 为： 其中S为新的邻接矩阵， Sij为节点之间的连接， xi和xj为图数据中的不同节点； 利用标准 度矩阵转 化上述公式， 能够形式化 为： 其中di表示在图学习中的学习程度。 4.根据权利要求3所述的一种基于图结构学习提升网络鲁棒性的优化方法， 其特征在 于， 步骤三具体方法如下： 根据前两个步骤， 获得训练图神经网络的总损失函数， 形式化 为：权　利　要　求　书 1/2 页 2 CN 115496186 A 2其中LGNN为图神经网络的初始损失函数， 作用为控制损失函数， α， β， 和γ分别为控制 矩阵低秩、 稀疏性、 特 征平滑性和GN N原有损失函数的参数。权　利　要　求　书 2/2 页 3 CN 115496186 A 3