计算机应用研究

作者：承琪,朱洪亮,辛阳,

单位：北京邮电大学网络空间安全学院,北京100876；

关键词：图卷积神经网络,集成学习,非鲁棒特征,对抗训练,

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。实验结果表明，提出的对抗训练方法在干净数据上的准确率平均提升了0.8%，在对抗攻击下最多提升了6.91%的准确率。

来源：2022年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第8期