적대적 회피 공격에 강인한 그래프 학습: 사전 정보 없는 확산 기반 구조 정제

Luo et al.(2025)의 연구는 사전 정보 없이 그래프 구조를 정제하는 DiffSP 프레임워크를 제시하여 적대적 회피 공격에 강인한 그래프 학습을 가능하게 합니다. 그래프 확산 모델과 혁신적인 잡음 제거 메커니즘을 통해 정보 손실을 최소화하고 의미 정렬을 강화하여 높은 성능을 달성했습니다.

최근 그래프 신경망(GNNs)의 발전에도 불구하고, 적대적 회피 공격은 여전히 심각한 위협으로 남아 있습니다. 기존 연구들은 주로 깨끗한 그래프나 공격 전략에 대한 사전 정보에 의존하여 GNNs의 강인성을 높이는 데 집중해왔습니다. 하지만 이러한 사전 정보는 종종 추측에 기반하며 일관성이 부족하다는 한계가 있었습니다. Luo et al.(2025)의 연구는 이러한 한계를 극복하기 위해 사전 정보가 없는 구조 정제라는 새로운 관점에서 문제를 접근합니다.

그들의 연구는 DiffSP (Diffusion-based Structure Purification) 라는 혁신적인 프레임워크를 제시합니다. DiffSP는 그래프 확산 모델을 이용하여 깨끗한 그래프의 고유 분포를 학습하고, 이를 바탕으로 적대적 노이즈를 제거합니다. 이는 마치 흐릿한 사진에서 노이즈를 제거하여 원본 이미지를 복원하는 것과 유사합니다. 하지만 단순히 노이즈를 제거하는 것이 아니라, 예측 패턴을 활용하여 효율적으로 적대적 노이즈를 식별하고 제거하는 것이 핵심입니다.

DiffSP는 순방향 확산 과정과 역방향 잡음 제거 과정으로 구성됩니다. 순방향 과정에서 중요한 정보 손실을 막기 위해, 연구팀은 LID(Local Intrinsic Dimension)-기반 비등방성 확산 메커니즘을 제안합니다. 이 메커니즘은 노이즈를 비등방적으로 주입하여 중요한 정보는 보존하고 불필요한 정보만 제거합니다. 역방향 과정에서는 그래프 전달 엔트로피 기반 잡음 제거 메커니즘을 통해 생성 불확실성을 줄이고, 깨끗한 그래프와 정제된 그래프 사이의 의미 정렬을 강화합니다. 이는 마치 이미지 복원 과정에서 색상과 명암을 정교하게 조정하는 것과 같습니다.

다양한 실험 결과, DiffSP는 기존 방법들보다 적대적 회피 공격에 대해 월등히 높은 강인성을 보여주었습니다. 이는 그래프 학습 분야의 중요한 발전으로, 보다 안전하고 신뢰할 수 있는 GNNs의 개발에 기여할 것으로 기대됩니다. 본 연구는 적대적 공격에 취약한 기존 GNN의 한계를 극복하고, 실제 응용 분야에서 GNN의 안정성과 신뢰성을 향상시키는 데 중요한 전기를 마련했다는 점에서 큰 의의를 지닙니다.