[发明专利]基于网络特征强化的深度图卷积模型防御方法及装置

权利要求书

1.一种基于网络特征强化的深度图卷积模型防御方法，其特征在于，包括以下步骤：

(I)基于图卷积网络构建网络分类器，所述的网络分类器包含特征提取层和分类层；

对构建的网络分类器进行预训练；

(II)利用预训练好的特征提取层提取网络的网络特征，利用特征强化模块对网络特征进行特征强化获得加强网络特征；

(III)利用加强网络特征对分类层进行再训练；预训练好的特征提取层、特征强化模块和再训练好的分类层依次连接，构成具有防御能力的深度图卷积模型；

(IV)利用所述的深度图卷积模型的特征提取层提取待分类网络的网络特征；利用特征强化模块对网络特征进行特征强化获得待分类网络的加强网络特征；利用所述的深度图卷积模型的分类层对待分类网络的加强网络特征进行分类，获得待分类网络的分类结果。

2.根据权利要求l所述的基于网络特征强化的深度图卷积模型防御方法，其特征在于，所述的网络分类器为网络节点分类器或网络图分类器。

3.根据权利要求1所述的基于网络特征强化的深度图卷积模型防御方法，其特征在于，所述的网络分类器根据公式(1)计算分类置信度；

其中，Z∈R^N×|F|为分类置信度，N为网络节点或网络图个数，|F|为网络节点或网络图的类别数目；f和σ分别为softmax函数和Relu函数；是添加自连接的无向网络的邻接矩阵，I_N是网络的自连边矩阵，A是网络的邻接矩阵；X表示节点属性；是的度值矩阵对角线上的值；分别为输入层到隐层、隐层到输出层的权重矩阵。

4.根据权利要求3所述的基于网络特征强化的深度图卷积模型防御方法，其特征在于，步骤(I)中，以公式(2)作为目标函数，预训练所述的网络分类器；

其中，T_s为带类标的网络节点集合或网络图集合；F＝[τ₁，…，τ_|F|]表示网络节点类标集合或网络图类标集合；若网络节点或网络图v_l属于类τ_k，则Y_lk＝1，否则Y_lk＝0；Z_lk(A)是由公式(1)计算出的分类置信度输出。

5.根据权利要求1所述的基于网络特征强化的深度图卷积模型防御方法，其特征在于，步骤(II)包括：

(II-1)预训练好的网络分类器的特征提取层利用公式(3)提取网络的网络节点特征或网络图特征；

(II-2)特征强化模块通过非局部平均处理对网络节点特征或网络图特征进行特征强化，获得加强网络节点特征或加强网络图特征。

6.根据权利要求5所述的基于网络特征强化的深度图卷积模型防御方法，其特征在于，通过非局部平均处理对网络节点特征进行特征强化包括：

通过公式(4)对网络节点k的所有特征进行加权平均，获得网络节点k的加强网络节点特征h′_node；

其中，为网络节点k的特征区域；为以为中心的附近1×5的邻域；为对应的加强网络节点特征区域；和分别构成和h′_node，h′_node为1×H₁维的矩阵；为特征加权函数，表示第k个节点中特征区域与的点乘相似度；是归一化函数。