面向去中心化双重差分隐私的谱图卷积神经网络

图卷积神经网络是一种面向多任务且应用广泛的深度学习模型。文章研究了去中心化场景中谱域图卷积神经网络节点关系信息和节点特征信息的保护问题,提出双重差分隐私保护机制下的谱图卷积神经网络DDPSGCN。在给定隐私预算总额的条件下对拉普拉斯机制和高斯机制进行隐私预算分配,并通过隐私损失和Chernoff界理论进行参数估计。在两大分布噪声扰动作用基于不同图数据信息的隐私保护下,文章提出基于区块链去中心化差分隐私处理机制的图卷积神经网络训练算法。实验表明文章采用的去中心化双重差分隐私机制,能够在半监督节点分类任务准确率下降1%以内的前提下确保原始数据隐私不泄露,相较于单隐私保护机制有着更高的隐私保护效率和更强的对抗攻击鲁棒性。

用于半监督分类的二阶近似谱图卷积模型

近年来,基于局部一阶近似的谱图卷积方法在半监督节点分类任务上取得了明显优势,但是在每次更新节点特征表示时,只利用了一阶邻居节点信息而忽视了非直接邻居节点信息.为此,本文结合切比雪夫截断展开式及标准化的拉普拉斯矩阵,通过推导及简化二阶近似谱图卷积模块,提出了一种融合丰富局部结构信息的改进图卷积模型,进一步提高了节点分类性能.大量的实验结果表明,本文提出的方法在不同数据集上的表现均优于现有的流行方法,验证了模型的有效性.

基于图卷积网络的药物靶标关联预测算法

传统的基于生物学实验的药物-靶标关联预测成本高、效率低,难以满足医药研发的需求。为了解决上述问题,提出一种新的基于图卷积网络的药物靶标关联预测(GCDTI)算法。GCDTI利用半监督学习方法将图卷积和自编码技术相结合,从而分别构建用于整合节点特征的编码层和用于预测全链接交互网络的解码层;同时使用图卷积技术建立潜在因子模型,并有效利用药物和靶标的高维属性信息进行端到端的学习。所提算法不需要对输入的特征信息进行任何预处理便可以将其与已知相互作用网络相结合,证明了该模型的图卷积层能够有效地融合输入数据与节点特征。与其他先进方法相比,GCDTI的预测精度和平均受试者工作特性(ROC)曲线下的面积(AUC)(0.924 6±0.004 8)最高,且具有较强的鲁棒性。实验结果表明:当需要预测大量的药物和靶标数据的关联关系时,利用端到端学习的模型架构的GCDTI有潜力成为一种可靠的预测方法。

基于切比雪夫一阶截断式的谱卷积协同过滤

为解决个性化推荐协同过滤中存在用户关联项目过少,而引起的用户冷启动问题,提出一种基于切比雪夫优化的谱卷积协同过滤推荐算法。将用户-项目二部图转换到谱域,通过切比雪夫一阶截断式建立深度前馈神经网络,优化卷积过程,省略拉普拉斯矩阵复杂的特征分解,缩短模型训练时间,在谱域中快速发现用户与相关项目之间的隐性关联信息。经过实验验证,该方法对提升推荐结果的准确性有着较为明显的帮助,更为有效挖掘用户与项目间关联信息。