基于非鲁棒特征的图卷积神经网络对抗训练方法

打开文本图片集

摘要：图卷积神经网络可以通过图卷积提取图数据的有效信息，但容易受到对抗攻击的影响导致模型性能下降。对抗训练能够用于提升神经网络鲁棒性，但由于图的结构及节点特征通常是离散的，无法直接基于梯度构造对抗扰动，而在模型的嵌入空间中提取图数据的特征作为对抗训练的样本，能够降低构造复杂度。借鉴集成学习思想，提出一种基于非鲁棒特征的图卷积神经网络对抗训练方法VDERG，分别针对拓扑结构和节点属性两类特征，构建两个图卷积神经网络子模型，通过嵌入空间提取非鲁棒特征，并基于非鲁棒特征完成对抗训练，最后集成两个子模型输出的嵌入向量作为模型节点表示。（剩余17966字）