AuditVotes：面向图神经网络更可部署的认证鲁棒性框架

尽管图神经网络（GNN）取得了进展，自适应攻击仍然持续挑战其鲁棒性。基于随机平滑的认证鲁棒性已成为一种有前景的解决方案，它提供了可证明的保证，即模型的预测在特定范围内的对抗扰动下保持稳定。然而，现有方法在准确率与鲁棒性之间面临关键的权衡，因为实现更强的鲁棒性需要在输入图中引入更大的噪声。这种过度的随机化会降低数据质量并破坏预测一致性，限制了认证鲁棒 GNN 在准确率与鲁棒性均至关重要的现实场景中的实际部署。为了应对这一挑战，我们提出了 AuditVotes，这是首个为 GNN 同时实现高干净准确率与认证鲁棒准确率的框架。它将随机平滑与两个关键组件——增强与条件平滑——相集成，旨在提高数据质量与预测一致性。作为预处理步骤的增强对随机图进行去噪，显著提高了数据质量与干净准确率。作为后处理步骤的条件平滑采用过滤函数来选择性地计票，从而过滤低质量预测并提高投票一致性。广泛的实验结果表明，AuditVotes 在保持高计算效率的同时，显著增强了干净准确率、认证鲁棒性与经验鲁棒性。值得注意的是，在 Cora-ML 数据集上，当攻击者可以任意插入 $20$ 条边时，与基线随机平滑相比，AuditVotes 将干净准确率提高了 $437.1\%$，认证准确率提高了 $409.3\%$，这标志着向在现实应用中部署认证鲁棒 GNN 迈出了实质性的一步。