随着计算机计算能力的飞速提升和大量生产生活数据被收集,神经网络技术已经广泛应用到实际生产和生活中。从图像分类和目标检测到语音识别和自然语言理解,神经网络凭借其优秀的数据建模能力受到了学speech-language pathologist术界的广泛关注。虽然过去的神经网络能有效捕获欧几里得数据中的隐藏信息,但越来越多的应用数据以图结构的形式表示出来。图是一种包含一组节点及其关系的数据结构,过去的神经网络无法直接用于图结构数据。图神经网络是一种作用在图结构数据的深度学习方法,近年来成为了一种被广泛应用的图结构数据分析方法。然而如何准确地获取实际任务中的有效特征一直是图神经网络学习研究的重点、难点和热点。在许多实际场景的图结构数据中,节点的类别代表着某种实Baricitinib作用际意义。在现实中,通常很难获得所有节点的完整类别,即可能只有部分的节点类别已知,剩下的节点类别需要被推断出。然而,图神经网络继承了深度学习方法中易受外界干扰和敌对攻击的缺陷,图神经网络节点分类的准确性与稳健性不能得到有效保障。虽然在图像和自然语言处理等领域有一些关于防御策略和对抗攻击的研究,但由于其表示结构,难以将学习到的知识直接转移到图结构数据中。由此引发出图神经网络中节点分类的防御和对抗攻击问题,通过研究防御策略抵抗来自环境中的噪音干扰和敌对攻击,通过研究攻击方法可以找出图神经网络的缺陷,挖掘图神经网络的潜在威胁,进而采取后续的防御措施,这对提高图神经网络分类的准确性和稳健性是至关重要的。本文对图神经网络节点分类中防御和对抗攻击方法进行了深入研究。现将该博士论文的主要创新点总结如下:1.针对图神经网络防御问题,本文提出了一种面向节点分类问题的鲁棒性图交替学习网络。本文采用基于图结构学习的图交替学习框架来交替训练双网络模型,通过分类网络来学习用于节点分类任务的图结构,通过图正则化网络来增强图神经网络的鲁棒性。交替学习网络将一种特征选Metabolism抑制剂择方法集成到网络中,获得了紧凑、准确的高维节点特征表达。通过从相似度的角度讨论和分析节点特征选择对图神经网络的影响,提出了一种整合节点特征选择和相似度损失的解决方案,以减少节点攻击的影响。鲁棒性图交替学习网络的性能在引用网络、社交网络和购物网络的分类任务中得到了有效验证。2.针对图神经网络防御问题,本文提出了面向节点分类问题的反事实图网络。在已有的图数据中,节点之间的边不一定能真实反应节点间的关系,因此本文提出了一种面向节点分类问题的反事实图网络,通过构建一个可学习的图结构来提高模型节点分类的准确性和稳健性。具体来说,节点可以被视为上下文,边的存在性和节点分类可以分别被视为干预方法和结果。通过预测观察到的事实分类和反事实分类来增强图的学习,并进一步证明了本文的反事实图网络可以结合分类任务的梯度算法进行优化。本文将面向节点分类问题的反事实图网络用于疾病诊断任务中,网络的有效性在自闭症谱系障碍、阿尔茨海默病、肺部疾病和眼部疾病诊断中得到有效验证。3.针对图神经网络攻击问题,本文提出了面向节点分类问题的结构攻击方法。本文首先设计了一种平滑攻击方法,通过生成平滑邻接矩阵来欺骗图神经网络的预测任务,并通过理论证明的方式将其对网络产生影响的原因归为图神经网络训练中的过平滑。接着设计了一种欠平滑攻击方法,通过生成欠平滑邻接矩阵来调整节点间的连接关系,即为差异较大的节点建立连边关系,从而干扰原始图的整体平滑性,影响节点分类任务。本文的结构攻击方法不需要获取待攻击图网络中的网络参数和节点标签,因此适用于黑盒攻击场景下。最后本文在多个数据集上验证了面向节点分类问题的结构攻击方法使得节点分类准确度出现一定程度的下降。4.针对图神经网络攻击问题,本文提出了面向节点分类问题的注入攻击方法。具体来说,本文提出一种新的单节点注入子图攻击方法,该方法与以往一次只攻击一个目标节点的节点注入攻击不同,它可以扩展到目标节点的一阶子图,提高了单节点注入攻击的效率。单节点注入子图攻击方法首先生成有害节点特征,再为其分配连接到子图的边。本文进一步从理论上证明了在单层图卷积网络中,在某些特定条件下,注入的节点特征扰动比分配边的扰动更有效。该攻击方法在多个节点分类任务数据集中得到了有效验证。