2023-05-10计算机应用,JournalofComputerApplications2023,43(5):1511-1517ISSN1001-9081CODENJYIIDUhttp：//www.joca.cn改进的基于奇异值分解的图卷积网络防御方法金柯君，于洪涛*，吴翼腾，李邵梅，张建朋，郑洪浩（信息工程大学，郑州450001）（∗通信作者电子邮箱yht_ndsc@126.com）摘要：图神经网络（GNN）容易受到对抗性攻击而导致性能下降，影响节点分类、链路预测和社区检测等下游任务，因此GNN的防御方法具有重要研究价值。针对GNN在面对对抗性攻击时鲁棒性差的问题，以图卷积网络（GCN）为模型，提出一种改进的基于奇异值分解（SVD）的投毒攻击防御方法ISVDatt。在投毒攻击场景下，该方法可对扰动图进行净化处理。GCN遭受投毒攻击后，首先筛选并删除特征差异较大的连边使图保持特征光滑性；然后进行SVD和低秩近似操作使扰动图保持低秩性，并完成对它的净化处理；最后将净化后的扰动图用于GCN模型训练，从而实现对投毒攻击的有效防御。在开源的Citeseer、Cora和Pubmed数据集上针对Metattack和DICE（DeleteInternally，ConnectExternally）攻击进行实验，并与基于SVD、Pro_GNN和鲁棒图卷积网络（RGCN）的防御方法进行了对比，结果显示ISVDatt的防御效果相对较优，虽然分类准确率比Pro_GNN低，但复杂度低，时间开销可以忽略不计。实验结果表明ISVDatt能有效抵御投毒攻击，兼顾算法的复杂度和通用性，具有较高的实用价值。关键词：图神经网络；图卷积网络；对抗性攻击；投毒攻击；对抗性防御；奇异值分解中图分类号：TP18；TP393.0；TN915.08文献标志码：AImproveddefensemethodforgraphconvolutionalnetworkbasedonsingularvaluedecompositionJINKejun，YUHongtao*，WUYiteng，LIShaomei，ZHANGJianpeng，ZHENGHonghao（InformationEngineeringUniversity，ZhengzhouHenan450001，China）Abstract:GraphNeuralNetwork（GNN）isvulnerabletoadversarialattacks，leadingtoperformancedegradation，whichaffectsdownstreamtaskssuchasnodeclassification，linkpredictionandcommunitydetection.Therefore，thedefensemethodsofGNNhaveimportantresearchvalue.AimingattheproblemthatGNNhaspoorrobustnesswhenbeingadversariallyattacked，takingGraphConvolutionalNetwork（GCN）asthemodel，animprovedSingularValueDecomposition（SVD）basedpoisoningattackdefensemethodwasproposed，namedISVDatt.Inthepoisoningattackscenario，theattac...
