본 논문은 그래프 신경망(GNNs)의 적응형 공격에 대한 강건성을 높이기 위해, 무작위 스무딩 기반의 인증된 강건성을 개선하는 AuditVotes 프레임워크를 제안합니다. 기존의 무작위 스무딩 기반 방법들은 정확도와 강건성 사이의 절충이 필요했으나, AuditVotes는 증강(augmentation)과 조건부 스무딩(conditional smoothing)이라는 두 가지 핵심 구성 요소를 통합하여 이러한 문제를 해결합니다. 증강은 무작위 그래프의 잡음을 제거하여 데이터 품질과 정확도를 향상시키고, 조건부 스무딩은 저품질 예측을 걸러내어 투표 일관성을 향상시킵니다. 실험 결과, AuditVotes는 높은 정확도와 인증된 강건성, 경험적 강건성을 달성하면서 높은 계산 효율성을 유지함을 보여줍니다. 특히, Cora-ML 데이터셋에서 공격자가 20개의 에지를 임의로 삽입하는 경우, 기준 무작위 스무딩에 비해 정확도를 437.1%, 인증된 정확도를 409.3% 향상시켰습니다.
