[发明专利]基于图神经网络的单目标硬标签社区检测对抗攻击方法

权利要求书

1.一种基于图神经网络的单目标硬标签社区检测对抗攻击方法，其特征在于，包括：

构建社区检测代理模型；所述社区检测代理模块用于将社区图结构划分为多个社区；

确定针对目标节点的对抗扰动的目标问题；

基于所述社区检测代理模型，采用分级优先搜索策略确定扰动边，并根据所述扰动边确定初始扰动矩阵；所述分级优先搜索策略包括在所述目标节点所在社区搜索扰动边、在所述目标节点所在社区与其他社区之间搜索扰动边、在全局范围内搜索扰动边；

基于所述初始扰动矩阵，采用梯度计算方法求解所述目标问题，并经过多次迭代求解，得到最优的扰动矩阵；

根据所述最优的扰动矩阵，得到扰动图。

2.如权利要求1所述的方法，其特征在于，所述构建社区检测代理模型，包括：

采用损失函数以无监督的方式对所述社区检测代理模型进行训练，得到训练后的社区检测代理模型，所述损失函数为：

其中，L_u为损失函数，K为设置的社区个数，Tr(·)为求矩阵的秩，C为社区划分矩阵，C^T为C的转置，A为社区图结构的邻接矩阵，为矩阵按元素除法，D为度矩阵，为平衡系数，N为社区图结构的节点个数，I_K为K×K的单位矩阵，‖·‖_F为矩阵的F范数。

3.如权利要求1所述的方法，其特征在于，所述社区检测模型利用图卷积网络搭建模型网络架构实现社区划分，具体过程如下：

对社区图结构的邻接矩阵进行归一化，得到归一化后的邻接矩阵，采用的公式如下：

其中，为归一化后的邻接矩阵，D为度矩阵，I_N为N×N的单位矩阵，N为社区图结构的节点个数，A为社区图结构的邻接矩阵；

根据所述归一化后的邻接矩阵确定节点特征矩阵，采用的公式如下：

其中，H_l为节点特征矩阵，δ(·)为激活函数，X为节点属性值矩阵，W⁰为第一权值矩阵，W¹为第二权值矩阵；

根据所述节点特征矩阵，确定社区划分矩阵，采用以下公式：

C＝softmax(δ(H_lW_c1)W_c2)

其中，C为社区划分矩阵，W_c1为第三权值矩阵，W_c2为第四权值矩阵。

4.如权利要求1所述的方法，其特征在于，所述目标问题为：

subject to γb,Λ(A,h(A,Θ))τ

其中，Θ^*为最优的扰动矩阵，Θ为扰动矩阵，T(Θ)为目标函数，γ为攻击扰动率，b为扰动预算，Λ为求两个图的相似度，A为社区图结构的邻接矩阵，h(·)为生成扰动图的扰动函数，τ为相似度预算；

攻击扰动率γ：

γ＝‖A-A′‖₀/N(N-1)

其中，‖·‖₀为矩阵的L₀范数，N为社区图结构的节点个数，A′为扰动图；

扰动图A′中的元素A′_i,j：

其中，A′_i,j为扰动图A′中第i行第j列的元素，A_i,j为社区图结构中邻接矩阵A第i行第j列的元素，为社区图结构中邻接矩阵A的反矩阵中第i行第j列的元素；Θ_i,j为扰动矩阵Θ第i行第j列的元素；

目标函数T(Θ)：

其中，clip(·)为剪辑函数，为分类边界上的扰动矩阵，‖·‖₁为矩阵的L1范数；

分类边界上的扰动矩阵

其中，Θ_norm为扰动矩阵Θ的归一化扰动矩阵，d(Θ)为沿Θ_norm方向上的最优步长：

其中，λ为沿Θ_norm方向上的步长，v_t为目标节点，y_t为目标节点v_r的的原始标签。