一种基于属性增强PPR和自环权重调整的图神经网络对抗防御方法

本发明属于人工智能，特别涉及一种基于属性增强PPR和自环权重调整的图神经网络对抗防御方法，包括节点以一定概率停在当前节点或游走至邻居节点，游走时以一定概率执行拓扑迁移或属性迁移，通过考虑多跳高阶信息的拓扑及属性特征计算节点间相似性；利用相似性分数裁掉相似性不足的节点重构，并基于节点间的相似性分数赋予对应连边权重值，重构邻接矩阵；在消息聚合过程中，基于目标节点的出度动态调整节点自身与其邻居节点在最终消息的比重，使节点在邻居较多时邻居节点比重较大，在邻居少时自身比重较大；通过重构的邻接矩阵进行消息传播；通过迭代地消息聚合与传播，训练出具有对抗防御能力的鲁棒图神经网络；本发明提高了图神经网络的鲁棒性。