Small perturbations of graph structure have been verified to bring catastrophically performance degradation of most Graph Neural Networks (GNNs). Existing defenses of which mainly top on homophily assumption could not address all structural attacks and do not perform reasonable robustness on graphs in general. An empirical analysis on structural attack motivated us in that an effective structure attack primarily injects edges adjusting local heterophily level as well as distance in feature space. While raising the potential problem of un-screening and mis-screening of homophily-based works for the first time, we propose a novel framework that resolves the issues and thereby elevating the robustness of GNN. Experiments on a variety of attack settings, datasets, and base architecture have shown that incorporating GNN with our framework adequately restores its demolished performance and accomplishes to outperform the existing baselines, improving the robustness of structural perturbations on a homophilous graph (Cora) by %3 and a heterophyllous graph (Wisconsin) by 9%
그래프 구조의 교란은 많은 그래프 뉴럴 네트워크의 큰 성능 저하 재해를 동반한다. 기존의 그래프 적대적 공격에 대한 방어 연구는 동종선호 가정에 기반하는데, 해당 가정은 모든 구조적 공격 상황을 방어할 수 없으며 다양한 범위의 일반적인 그래프에 대해서 충분한 강건성을 확보해내지 못한다. 본 연구에서는 효과적인 구조적 공격을 재조명하고 구조적 공격으로 공격을 받은 노드의 국소적인 이종선호 양상이 변화함을 실증적인 분석을 통해 밝혀내었다. 동종 선호 기반의 방법의 잘못된 심사(mis-screening) 및 누락 심사(un-screening) 문제를 처음으로 제기하며, 본 연구에서는 해당 문제를 해결하고 GNN에서 보다 넓은 범위의 강건성을 확보할 수 있는 새로운 학습 체계을 제안한다. 본 체계는 다양한 유형의 공격, 데이터셋 그리고 네트워크 구조 위에서 공격에 의해 망가진 성능을 성공적으로 복원해 내었으며 기존의 기준 연구의 대비 향상된 - 동종선호 그래프(Cora) 에서 3% 이종선호 그래프(Wisconsin) 에서 9% - 강건성을 보이고 있다
