[发明专利]一种图网络分类模型的训练方法、装置、系统及电子设备

说明书

本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。

技术领域

本发明属于图领域安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备。

背景技术

近年来，由于图数据在现实世界中的普遍存在性，研究人员开始思考如何将深度学习模型应用于图数据中。

图深度学习模型被广泛应用于社交网络、社团检测、推荐系统中。其中，图卷积神经网络是图深度学习模型中最重要的一个分支。图卷积神经网络的应用场景大体上分为两类，一类是节点层面的任务，一类是图层面的任务。在图层面的任务中，最常见的有图生成，图分类等任务；在节点层面的任务中，最常见的有节点分类任务，链接预测任务。节点分类任务是图卷积神经网络里面最流行且最被广泛应用的任务之一。图神经网络模型中的节点分类任务是一种通过学习图数据的特征来对节点预测一个真实类别的任务。

在深度学习领域中，利用深度学习模型的弊端破坏模型的方法称为对抗攻击，即针对输入数据做出难以察觉的特殊改动，使得模型失灵。对抗攻击的存在使模型安全性面临着巨大的威胁。图深度学习模型同样会受到对抗攻击的侵害。拿社交网络节点分类为例，如果恐怖分子能够产生对抗样本使得模型将其分类为友好市民，就会给国家安全带来危害。同样地，在推荐系统中，如果攻击者能够向模型注入有害数据使得竞争对手的推荐模型性能下降，就可以在商业中获得有利地位。因此，由于图深度学习模型的普遍应用性，需要提出一些方法与机制来提高模型在面对对抗攻击时的鲁棒性。

发明内容

基于上述技术问题，本发明提供了一种图网络分类模型的训练方法、装置、系统及电子设备，这些方案能够对无标签节点进行分类，能够扩充训练样本，有利于解决分类模型中的低标签率问题。同时，本发明可以有效地解决在对抗训练中训练集与对抗样本缺乏连通性的问题。能够提高分类模型在面对对抗攻击时的鲁棒性。

在本发明的第一方面，本发明提供了一种图网络分类模型的训练方法，所述方法包括：

采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；

将有标签节点的图数据输入到分类模型进行训练；

使用训练完成后的分类模型对无标签节点的图数据分类；

随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；

将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型。

在本发明的第二方面，本发明还提供了一种图网络分类模型的训练装置，所述装置包括：

数据采集模块，用于采集图数据集；

预处理模块，用于将所述数据集划分为有标签节点和无标签节点；

第一训练模块，用于将有标签节点的图数据输入到分类模型进行训练；

预分类模块，用于从训练完成后的分类模型对无标签节点的图数据分类；

数据生成模块，用于选择部分标签节点作为对抗节点，并计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；