尽管图神经网络（GNNs）取得了显著进展，但自适应攻击仍然对其鲁棒性构成挑战。经过随机平滑的认证鲁棒性提供了可证明的保证，但其准确性与鲁棒性之间的严重权衡限制了其实际应用。为了解决这个问题，我们提出了AuditVotes，这是第一个同时实现高清晰度准确性和强认证鲁棒性的框架。
AuditVotes将两个新颖的组件无缝集成到随机平滑管道中：(1) 图重连增强，通过去噪随机图来恢复数据质量，(2) 条件平滑，过滤低置信度投票以确保预测一致性。我们建立了一个新颖的理论结果，证明了在任意过滤函数下，认证鲁棒性得以保留。
该框架设计用于归纳学习，能够推广到未见节点，并广泛适用于其他平滑方案，包括图的去随机平滑和图像的高斯平滑。大量实验表明，AuditVotes在Cora-ML数据集上，在20条边攻击下，清晰准确性提高了437.1%，认证准确性提高了409.3%，同时保持与普通平滑相当的运行时间。作为一个广泛适用且高效的插件，AuditVotes提供了更高的准确性和更强的保证，使得在安全敏感领域能够实现实用且可证明鲁棒的GNNs。
博主点评： AuditVotes的创新性在于结合图重连和条件平滑，显著提升了GNN的鲁棒性和准确性。这一框架的理论基础和实验结果表明，其在安全敏感应用中的潜力，值得进一步探索与实践。特定的过滤机制为未来的鲁棒性研究开辟了新方向。