연결의 변형과 예측
노드 사이의 연결을 조작하면 그래프 신경망의 예측이 달라질 수 있다. Pro-GNN은 이미 변형된 그래프를 정제하는 방향으로 이 문제를 다룬다.
구조적 성질의 활용
많은 실제 그래프에 나타나는 희소성과 낮은 랭크, 인접 노드 특징의 유사성에 주목한다. 공격이 이런 성질을 위반하기 쉽다는 관찰을 바탕으로 학습할 그래프 구조를 유도한다.
구조와 모형의 공동 학습
그래프를 한 번 정리하고 끝내는 대신 구조와 강건한 신경망을 함께 학습한다. 실제 그래프를 변형한 실험에서 방어 효과를 비교했으며, 사용하는 구조적 성질이 중요한 설계 전제가 된다.
관련 문서
이산 그래프 구조 학습 / IDGL / 그래프 신경망 / 희소 행렬 / 행렬의 계수 / GraphSAGE