内容简介
图学习是典型的多学科交叉方向，涉及复杂网络、社交网络分析、数据挖掘、机器学习等多个领域。《安全可信图学习方法与应用》共8章，其中第1章阐述图的主要类型与形式化定义、基本属性及图学习的发展历程。第2章介绍图学习的基本任务以及相关的传统图学习模型方法和图神经网络模型。第3章介绍图数据挖掘方法。第4章介绍图数据隐私保护方法。第5章和第6章分别介绍图模型对抗攻击与对抗防御方法。第7章介绍图模型鲁棒性解释、测评与修复方法。第8章介绍图学习模型在知识计算领域的应用探索。
目录
目录
第1章 概论 1
1.1 图结构化数据表示 1
1.2 图的类型与形式化定义 2
1.2.1 图的主要类型 2
1.2.2 图的形式化定义 3
1.3 图的基本属性 4
1.3.1 节点度与度分布 4
1.3.2 连通性 5
1.3.3 直径 6
1.3.4 聚类系数 6
1.3.5 同配系数 6
1.4 图学习的发展历程 7
1.4.1 图学习的概念 7
1.4.2 图学习的应用 9
1.5 安全可信图学习 10
1.5.1 面临的安全风险 10
1.5.2 研究现状与挑战 10
1.6 本章小结 13
参考文献 13
第2章 图学习基础模型 16
2.1 图学习的基本任务 16
2.1.1 节点分类 16
2.1.2 图分类 17
2.1.3 链路预测 17
2.1.4 节点重要性 18
2.1.5 社团检测 18
2.1.6 信息传播预测 19
2.2 传统图学习模型方法 20
2.2.1 节点分类方法 20
2.2.2 图分类方法 21
2.2.3 链路预测方法 23
2.2.4 节点重要性度量 25
2.2.5 社团检测方法 26
2.2.6 信息传播预测方法 29
2.3 图神经网络模型 30
2.3.1 GCN模型 30
2.3.2 GraphSAGE模型 32
2.3.3 GAT模型 32
2.4 本章小结 33
参考文献 34
第3章 图数据挖掘方法 36
3.1 社团检测方法 36
3.1.1 问题定义 36
3.1.2 标签传播方案 36
3.1.3 基于LPA的社团检测方法 37
3.1.4 实验结果与分析 41
3.2 节点重要性度量方法 45
3.2.1 问题定义 45
3.2.2 基于特征向量中心性的节点中心性度量 46
3.2.3 实验结果与分析 49
3.3 基于相似性的链路预测与图演化方法 51
3.3.1 问题定义 51
3.3.2 图演化预测模型 52
3.3.3 实验结果与分析 55
3.4 基于深度生成式模型的链路预测方法 56
3.4.1 问题定义 56
3.4.2 基于自表征的协同推理 57
3.4.3 高阶连通性计算 58
3.4.4 多尺度模式融合 59
3.4.5 实验结果与分析 59
3.5 基于决策建模的信息传播预测方法 61
3.5.1 问题定义 61
3.5.2 基于局部决策模型的传播预测 62
3.5.3 实验结果与分析 65
3.6 本章小结 69
参考文献 69
第4章 图数据隐私保护方法 72
4.1 图数据隐私保护概述 72
4.1.1 图数据隐私问题 72
4.1.2 隐私攻击与保护方法 72
4.2 基于推理重构的图数据隐私风险评估 75
4.2.1 图推理攻击问题框架 75
4.2.2 图结构扰动匿名方法 75
4.2.3 多层结构学习的推理攻击模型 79
4.2.4 实验结果与分析 81
4.3 基于多视图推理重构的图数据隐私风险评估 84
4.3.1 问题定义与描述 84
4.3.2 图结构去匿名 85
4.3.3 实验结果与分析 88
4.4 面向隐私保护的图数据挖掘与调控方法 91
4.4.1 问题定义与描述 92
4.4.2 图结构建模与链路预测 92
4.4.3 链路可预测性度量与调控 93
4.4.4 实验结果与分析 95
4.5 本章小结 97
参考文献 98
第5章 图模型对抗攻击方法 100
5.1 图模型对抗攻击概述 100
5.1.1 图神经网络对抗攻击定义 100
5.1.2 图神经网络对抗攻击类型 100
5.1.3 图神经网络对抗扰动类型 101
5.2 基于链路重要性的图模型对抗攻击方法 102
5.2.1 问题定义及框架 102
5.2.2 基于深度结构的链路预测对抗攻击模型 103
5.2.3 实验结果与分析 108
5.3 图模型数据窃取攻击方法 112
5.3.1 问题定义及框架 112
5.3.2 基于转置卷积的图模型数据窃取攻击方法 114
5.3.3 实验结果与分析 116
5.4 典型图模型对抗攻击方法比较分析 118
5.4.1 图神经网络对抗攻击方法 118
5.4.2 实验结果与分析 119
5.5 本章小结 122
参考文献 122
第6章 图模型对抗防御方法 124
6.1 图模型对抗防御概述 124
6.1.1 基于预处理的对抗防御方法 124
6.1.2 基于对抗训练的对抗防御方法 124
6.1.3 基于鲁棒性模型设计的对抗防御方法 125
6.1.4 基于攻击检测的对抗防御方法 125
6.2 基于局部光滑性与自训练的鲁棒性图模型 125
6.2.1 图数据对抗攻击实证分析 126
6.2.2 基于局部光滑性的图数据纯化 126
6.2.3 基于决策边界距离的样本可信性度量 127
6.2.4 基于自训练框架的鲁棒性图模型 129
6.2.5 实验结果与分析 130
6.3 基于集成学习的鲁棒性图模型 135
6.3.1 问题定义与描述 135
6.3.2 基于相似性的辅助图构建 136
6.3.3 基于多视图集成学习的鲁棒性图卷积网络 136
6.3.4
试读
第1章概论
大到宇宙天体，小到微观世界，世间万物相互之间具有复杂的关系。要理解世界和自然现象，就必须对事物背后的复杂关系进行分析和研究。图（或网络）为物理、生物、社会等学科提供了一种不同于传统文本、图像的数据描述方式，通过分析研究图数据能够揭示通信系统、交通系统、人类社会系统等复杂系统背后共性的科学问题。本章阐述图的定义和主要类型，介绍图的基本属性，阐述图学习的概念、发展历程和应用，讨论图深度学习智能系统面临的安全风险以及安全可信图学习领域的研究现状与发展挑战。
1.1图结构化数据表示
图是由若干节点（顶点）及连接节点的边（链路）所构成的拓扑图形，这种图形通常用来描述事物之间的某种特定关系。其中，节点用于表示事物对象，连接两节点的边则用于表示两个事物之间的关系。一般认为，著名数学家莱昂哈德？欧拉于1736年发表的关于“柯尼斯堡七桥问题”的论文是图论领域的**篇文章。1859年，哈密顿发明了“环游世界游戏”，与此相关的则是广为人知的“哈密顿路径”图论问题。1878年，詹姆斯？西尔维斯特发表在《自然》上的一篇论文*次提出“图”这一名词，他用图来表示化学分子结构之间的关系。自此之后，图逐渐成为科学研究的重要领域之一。
当前，图是建模不同来源、不同性质数据的强大工具，它可以非常自然、高效地对各种数据资源进行抽象表示。一方面，通过图可以对“人、机、物”三元世界中的复杂网络系统直接进行抽象表示，例如社交网络、交通网络、金融网络、蛋白质网络等，从而基于图模型刻画用户-用户、站点-站点、机构-机构等关系，进而通过图挖掘完成预测**、风险控制、欺诈检测等任务。另一方面，通过图可以对各模态的数据进行转换表示。例如，基于属性图（attributed graph）对图像进行表示，其中每个节点表示属性信息，如颜色值、纹理特征、位置坐标等，链路表示空间邻近性、颜色相似性、纹理一致性等关系；基于文本属性图（text attributed graph）对文本进行表示，其中节点表示单词、短语、句子或段落，链路表示这些文本单元之间的语义关系；基于可视图（visibility graph）对时间序列数据进行表示，其中节点表示每个数据点，链路表示两个数据点之间在所有其他数据点之上的可见性。
图可以让人们高效地理解系统内在的复杂关系，因此可以推测人脑信息的本质存在形式是图结构，通过图结构进行信息表征可以直观地描述世界万物之间的关系。假设目标系统中对象之间的关系如图1.1（a）和图1.1（b）所示，对于图1.1（a）所示的邻接关系表，如果要“找出X的全部邻居节点”或者“找出全部相互邻接的三个节点”，相关任务的计算需要多次遍历此邻接关系表。相对地，对于图1.1（b）所示的图结构化数据表示，可以非常直观地“找出X的全部邻居节点”以及“找出全部相互邻接的三个节点”。因此，相对于传统数据表示方式，图结构化数据表示更具有优势。
图1.1邻接关系表和图结构化数据表示示例
1.2图的类型与形式化定义
1.2.1图的主要类型
1.有向图、无向图和简单图
在图中表示节点之间关系的边可以分为有向边和无向边。如图1.2所示，与无向图相比，有向图的边使用箭头表示两个节点之间的方向关系，信息朝着箭头所指的方向传递。另外，若图中任意一对节点之间至多只有一条边相连且各个节点没有自环，则称该图为简单图，否则称为多重图。
图1.2无向图和有向图示例
2.有权图和无权图
在实际生活中，事物之间关系的重要性往往是不完全相同的。例如，人际关系存在亲密与疏远之分，连通关系存在主干与旁路之分。如果只将这些关系简单地映射到图数据中，不包括关系的亲疏性，形成的表征数据则会丢失重要信息。因此，通过带权重的边来表示事物之间关系的具体含义是非常有意义的。如果图中任意一对节点之间的边都有权重值，则称该图为有权图；反之，如果图中所有边的地位相同，则称该图为无权图。
3.同构图、异构图和属性图
同构图指图中的节点类型和关系类型都仅有一种。假设有两个简单图和，当且仅当存在一个将图的节点映射到图的节点且一一对应的，使得图中任意两个节点和相连接，均等价于图中对应的两个节点和相连接，则图G和图H是同构的。为了更好地理解同构图的含义，本书给出了表1.1作为参考。
表1.1同构图的映射关系
图G 图H 从图G到图H的映射同构
异构图和同构图恰好相反，异构图是指图中的节点类型或关系类型多于一种。在现实场景中，通常研究的复杂系统所包含的对象以及对象与对象之间的关系是具有多种类型的，因此异构图能够更准确地表征复杂系统。
相较于同构图和异构图，属性图给图增加了额外的属性信息，包括节点标签（label）、节点特征（feature）等。属性图是一种*常见的工业级图的表示方式，能够广泛应用于多种业务场景下的数
