基于遗传算法的超图神经网络对抗样本生成方法

技术领域

本发明属于图像数据处理领域，具体涉及一种基于遗传算法的超图神经网络对抗样本生成方法。

背景技术

超图神经网络（Hyper Graph Neural Network, HGNN）利用超图数据进行建模，保存对象数据之间的高阶相关性，是一种强大的表示学习的框架。因此，超图神经网络在现实生活中具有广泛的应用，如推荐系统、学术论文分类等。

在超图神经网络技术的快速发展过程中，人们也开始进行超图神经网络的安全问题研究。超图神经网络也属于深度学习应用，因此其也非常容易被恶意的对抗样本所欺骗，这严重威胁了超图神经网络的网络可靠性和准确性，进而进一步影响了下游应用的安全，如推荐系统的准确性和安全性、学术论文分类的准确性和安全性等。

目前，虽然超图神经网络有着广泛应用，但是尚缺乏针对超图神经网络的对抗样本生成方案；这使得目前的超图神经网络的安全性和可靠性均收到了较大的威胁。

发明内容

本发明的目的在于提供一种可靠性高且效果较好的基于遗传算法的超图神经网络对抗样本生成方法。

本发明提供的这种基于遗传算法的超图神经网络对抗样本生成方法，包括如下步骤：

S1. 获取目标超图神经网络的数据信息；

S2. 为注入节点随机生成标签，根据随机生成的标签对目标超图神经网络进行统计，并根据统计信息计算得到注入节点的特征；

S3. 根据每条超边所包含的节点总数和与注入节点的标签相同的节点总数，选定注入节点可能连接的所有超边；

S4. 分别将注入节点注入到步骤S3得到的超边中，得到对应的超图，计算对应的损失，并根据计算得到的损失值选取最优的若干条超边作为遗传进化的输入数据；

S5. 采用遗传算法对步骤S4选取的超边进行遗传进化，计算遗传进化过程中各个个体的得分；

S6. 选取步骤S5中得分最高的个体作为注入节点的连接关系，完成注入节点的生成，并将满足设定条件的注入节点进行保存；

S7. 对步骤S6保存的注入节点进行排列组合，并计算各个组合的得分，并当组合的得分满足设定条件时，输出对应的对抗样本，完成目标超图神经网络的对抗样本生成。

所述的步骤S2，具体包括如下步骤：

所述的注入节点为随机生成；

为注入节点随机生成标签

在目标超图神经网络中，统计节点中所有标签为

在目标超图神经网络中，统计节点中所有标签为

针对标签

选择特征指数

采用如下算式计算得到注入节点的特征

所述的步骤S3，具体包括如下步骤：

获取注入节点的标签

对于每条超边

若

若

其中，

将除类别

所述的步骤S4，具体包括如下步骤：

分别将注入节点注入到步骤S3得到的超边中，得到对应的超图；

计算将注入节点注入到超边，并根据超边中包含的节点数计算得到第一损失；

将得到的超图输入到目标超图神经网络中进行预测，统计误分类节点的数量，从而计算得到第二损失；

将第一损失和第二损失进行加权求和，得到最终的损失；

根据最终的损失值，选取最终的损失值最优的前若干条超边作为遗传进化的输入数据。

所述的步骤S4，具体包括如下内容：

分别将注入节点注入到步骤S3得到的超边集合

将注入节点注入到超边

将注入节点注入到超边

在超图

将第一损失和第二损失进行加权求和，得到最终的损失

最后，根据最终的损失值

所述的步骤S5，具体包括如下步骤：

将步骤S4选取的超边作为遗传进化算法的输入；同时设置种群大小、交叉率和变异率；

进行初始化：从步骤S4选取的超边中，随机选择若干条超边并生成对应的个体，形成初始种群；

进行交叉操作：根据设定的交叉率，随机从父代中选择个体进行两两交叉，得到子代；删除子代中重复的个体，并删除子代个体中重复的超边；

进行变异操作：根据设定的变异率，随机选择个体进行变异，并随机从步骤S4选取的超边中选择超边并替换个体中的边；

进行选择操作：采用如下算式计算种群中每个个体的得分

根据每个个体的得分，淘汰得分更差的一半个体，并将剩下的个体作为新的种群，并进行迭代进化，直至达到设定的迭代终止条件。

所述的步骤S6，具体包括如下步骤：

遗传进化终止后，选取得分最高的个体作为注入节点的连接关系，完成注入节点的生成；

对生成的注入节点进行判断：

若

若

所述的步骤S7，具体包括如下步骤：

当种子池

若当前组合的第二损失值

本发明提供的这种基于遗传算法的超图神经网络对抗样本生成方法，针对超图神经网络的特点，设计了一种基于遗传进化的注入节点生成方法，并保存高质量的注入节点，通过对注入节点进行变异操作得到高质量对抗样本；因此本发明方法针对超图神经网络进行设计，而且可靠性更高，效果更好。

附图说明

图1为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明公开的这种基于遗传算法的超图神经网络对抗样本生成方法，包括如下步骤：

S1. 获取目标超图神经网络的数据信息；

S2. 为注入节点随机生成标签，根据随机生成的标签对目标超图神经网络进行统计，并根据统计信息计算得到注入节点的特征；具体包括如下步骤：

所述的注入节点为随机生成；

为注入节点随机生成标签

在目标超图神经网络中，统计节点中所有标签为

在目标超图神经网络中，统计节点中所有标签为

针对标签

选择特征指数

采用如下算式计算得到注入节点的特征

式中/>

S3. 根据每条超边所包含的节点总数和与注入节点的标签相同的节点总数，选定注入节点可能连接的所有超边；具体包括如下步骤：

获取注入节点的标签

对于每条超边

若

若

其中，

将除类别

S4. 分别将注入节点注入到步骤S3得到的超边中，得到对应的超图，计算对应的损失，并根据计算得到的损失值选取最优的若干条超边作为遗传进化的输入数据；具体包括如下步骤：

分别将注入节点注入到步骤S3得到的超边中，得到对应的超图；

计算将注入节点注入到超边，并根据超边中包含的节点数计算得到第一损失；

将得到的超图输入到目标超图神经网络中进行预测，统计误分类节点的数量，从而计算得到第二损失；

将第一损失和第二损失进行加权求和，得到最终的损失；

根据最终的损失值，选取最终的损失值最优的前若干条超边作为遗传进化的输入数据；

具体实施时，包括如下内容：

分别将注入节点注入到步骤S3得到的超边集合

将注入节点注入到超边

将注入节点注入到超边

在超图

将第一损失和第二损失进行加权求和，得到最终的损失

最后，根据最终的损失值

S5. 采用遗传算法对步骤S4选取的超边进行遗传进化，计算遗传进化过程中各个个体的得分；具体包括如下步骤：

将步骤S4选取的超边作为遗传进化算法的输入；同时设置种群大小、交叉率和变异率；

进行初始化：从步骤S4选取的超边中，随机选择若干条超边并生成对应的个体，形成初始种群；

进行交叉操作：根据设定的交叉率，随机从父代中选择个体进行两两交叉，得到子代；删除子代中重复的个体，并删除子代个体中重复的超边；

进行变异操作：根据设定的变异率，随机选择个体进行变异，并随机从步骤S4选取的超边中选择超边并替换个体中的边；

进行选择操作：采用如下算式计算种群中每个个体的得分

根据每个个体的得分，淘汰得分更差的一半个体，并将剩下的个体作为新的种群，并进行迭代进化，直至达到设定的迭代终止条件；

S6. 选取步骤S5中得分最高的个体作为注入节点的连接关系，完成注入节点的生成，并将满足设定条件的注入节点进行保存；具体包括如下步骤：

遗传进化终止后，选取得分最高的个体作为注入节点的连接关系，完成注入节点的生成；

对生成的注入节点进行判断：

若

若

每个注入节点需要有特征和连接关系两个信息，步骤S2生成了注入节点的特征信息，步骤S3~S6生成了注入节点的连接关系信息；

S7. 对步骤S6保存的注入节点进行排列组合，并计算各个组合的得分，并当组合的得分满足设定条件时，输出对应的对抗样本，完成目标超图神经网络的对抗样本生成；具体包括如下步骤：

当种子池

若当前组合的第二损失值