그래프 구조와 노드 특징이 조작에 취약한 상황에서, 적대적 공격에 대한 그래프 신경망의 무결성과 성능을 위협하는 문제를 해결하기 위해, 메모리나 계산 복잡도 증가 없이 그래프의 고차 노드 이웃 정보를 효과적으로 포착하는 새로운 모델인 고정점 반복 그래프 컨볼루션 네트워크(Fix-GCN)를 제시합니다. 본 모델은 다재다능한 스펙트럼 변조 필터를 도입하고, 고정점 반복을 사용하여 특징 전파 규칙을 도출합니다. 추가적인 설계 요소 없이도 공격에 대한 탄력성을 확보하기 위해, 본 그래프 필터는 유연한 통과 필터링 방식을 제공하여 고주파 성분을 선택적으로 감쇠시키면서 그래프 신호의 저주파 구조 정보를 보존합니다. 노드 표현을 반복적으로 업데이트함으로써, 필수적인 그래프 정보를 보존하고 적대적 조작의 영향을 완화하는 유연하고 효율적인 프레임워크를 제공합니다. 다양한 벤치마크 그래프 데이터셋에 대한 광범위한 실험을 통해 적대적 공격에 대한 탄력성을 입증했습니다.
