安全可信图学习方法与应用

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。本书共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
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 实验结果与分析 138
6.4 基于球形决策边界约束的鲁棒性图模型 141
6.4.1 问题定义与描述 142
6.4.2 基于可信度量的球形决策边界 142
6.4.3 基于球形决策边界的鲁棒性约束方法 143
6.4.4 实验结果与分析 146
6.5 本章小结 154
参考文献 154
第7章 图模型鲁棒性解释、测评与修复 156
7.1 图模型鲁棒性的探索性分析 156
7.1.1 图神经网络对抗攻击鲁棒性探索 156
7.1.2 图神经网络对抗攻击鲁棒性实证分析 158
7.2 图模型对抗鲁棒性测评方法 172
7.2.1 深度神经网络鲁棒性测评指标 172
7.2.2 图神经网络鲁棒性测评方法指标 174
7.3 基于微调的图模型鲁棒性修复方法 175
7.3.1 基于微调的投毒模型修复 175
7.3.2 实验结果与分析 178
7.4 本章小结 185
参考文献 186
第8章 面向知识计算的图学习应用 188
8.1 基于图学习模型的关系抽取方法 188
8.1.1 基于GNN的关系抽取框架 189
8.1.2 基于GNN的关系抽取模型可解释性 190
8.1.3 基于GNN的关系抽取模型Graph-MLP 195
8.1.4 实验结果与分析 196
8.2 少样本知识图谱推理补全方法 198
8.2.1 少样本条件下知识图谱关系预测 198
8.2.2 基于邻居聚合的少样本关系预测算法 202
8.2.3 实验结果与分析 203
8.3 知识图谱自动问答方法 209
8.3.1 知识图谱自动问答方法框架 209
8.3.2 基于图卷积神经网络的问答表示方法 210
8.3.3 实验结果与分析 214
8.4 本章小结 218
参考文献 218
附录 220