rob_tut

docs/docfile/tutorial_cn/t_robust.rst

@@ -24,14 +24,11 @@
 
 鲁棒图神经网络架构搜索
 ---------------------
-鲁棒图神经网络架构搜索旨在搜索受到攻击的对抗性鲁棒图神经网络。
-在AutoGL中，该模块是G-RNA的代码实现。
+鲁棒图神经网络架构搜索旨在搜索受到攻击的对抗性鲁棒图神经网络。在AutoGL中，该模块是G-RNA的代码实现。
 
-具体来说，我们通过将邻接矩阵掩码算子添加到搜索空间来为消息传递机制设计一个鲁棒的搜索空间。
-它受到各种防御性算子的启发，使我们能够搜索到具有防御能力的GNN。
+具体来说，我们通过将邻接矩阵掩码算子添加到搜索空间来为消息传递机制设计一个鲁棒的搜索空间。它受到各种防御性算子的启发，使我们能够搜索到具有防御能力的GNN。
 
-此外，我们定义了一个鲁棒性度量来指导搜索过程，这有助于过滤鲁棒架构。
-G-RNA 使我们能够有效地搜索最优的鲁棒性GNN，并从架构的角度理解GNN鲁棒性。
+此外，我们定义了一个鲁棒性度量来指导搜索过程，这有助于过滤鲁棒架构。G-RNA使我们能够有效地搜索最优的鲁棒性GNN，并从架构的角度理解GNN鲁棒性。
 
 邻接矩阵掩码算子
 >>>>>>>>>>>>>>
@@ -40,7 +37,7 @@ G-RNA 使我们能够有效地搜索最优的鲁棒性GNN，并从架构的角
 
 据我们所知，这是首次以增强GNN的鲁棒性为目的而设计搜索空间。
 
-具体来说，我们在搜索空间中包括五个掩码操作
+具体来说，我们在搜索空间中包括五个掩码操作:
 
 - 相同算子与前一层保持相同的邻接矩阵
 - 低秩近似算子从奇异值分解的前k个分量重建邻接矩阵
@@ -51,18 +48,18 @@ G-RNA 使我们能够有效地搜索最优的鲁棒性GNN，并从架构的角
 
 鲁棒性度量
 >>>>>>>>>
-直觉上，鲁棒的GNN的表现在面对各种扰动时（扰动图）和干净图数据相比不应该变差太多
+直觉上，鲁棒的GNN的表现在面对各种扰动时（扰动图）和干净图数据相比不应该变差太多。
+
 我们使用KL距离来衡量干净数据和扰动数据之间的预测差异。
+
 较大的鲁棒性分数表明干净数据和扰动数据的预测之间的距离较小，因此，GNN架构对于潜在的攻击更加鲁棒。
 
 
 鲁棒图神经网络家沟搜索：G-RNA
 >>>>>>>>>>>>>>>>>>>>>>>>>>>
-G-RNA能够基于干净的图数据搜索鲁棒的图神经网络，并搜索到的架构在扰动图数据上可以获得高对抗鲁棒性。
+G-RNA能够基于干净的图数据搜索鲁棒的图神经网络，并搜索到的架构在扰动图数据上可以获得**高对抗鲁棒性**。
 
-具体来说，G-RNA过将邻接矩阵掩码算子添加到搜索空间中，允许我们搜索鲁棒GNN。
-此外，它定义了一个鲁棒性度量来指导搜索过程，这有助于过滤鲁棒架构。
-通过这种方式，G-RNA能够从架构的角度理解GNN鲁棒性，并有效地搜索最优的对抗性鲁棒GNN。
+具体来说，G-RNA过将邻接矩阵掩码算子添加到搜索空间中，允许我们搜索鲁棒GNN。此外，它定义了一个鲁棒性度量来指导搜索过程，这有助于过滤鲁棒架构。通过这种方式，G-RNA能够从架构的角度理解GNN鲁棒性，并有效地搜索最优的对抗性鲁棒GNN。
 
 以下是G-RNA实现的一个例子。
 
@@ -108,7 +105,7 @@ G-RNA能够基于干净的图数据搜索鲁棒的图神经网络，并搜索到
         mutation_prob=0.05,
     )
 
-或者，直接在节点分类器 `AutoNodeClassifier`中输入GRNA字符串，使用默认搜索参数。
+或者，直接在节点分类器 ``AutoNodeClassifier``中输入GRNA字符串，使用默认参数。
 
 .. code-block:: python