본 연구는 그래프 신경망(GNN)의 적대적 공격 취약성에 대한 이해를 높이고, 강건한 일반화 행동을 분석합니다.
기존 PAC-Bayesian 분석의 한계를 극복하기 위해, 메시지 전달 GNN(MPGNN)의 파라미터 블록 간 민감도를 정량화하고, Jacobian-aligned 민감도 행렬과 최적화된 공분산을 활용했습니다.
분석 결과, 학습된 가중치에 대한 스펙트럴 노름 의존성을 개선하고, 숨겨진 너비 의존성을 클래스 수 K로 줄여 더욱 정확한 강건한 일반화 보장을 제공합니다.
본 연구는 MPGNN 설계에 대한 지침을 제공하여 적대적 강건성을 향상시키는 데 기여할 것으로 기대됩니다.