그래프 구조 데이터의 adversarial attack에 대한 강건성을 평가하는 것은 계산 비용이 많이 들고 확장성이 어렵다. 이 문제를 해결하기 위해, 위상 구조와 강건성 프로파일을 모두 보존하는 압축된 표현으로 그래프를 압축하여 효율적이고 신뢰성 있는 평가를 가능하게 하는 것을 제안한다. Cutter는 Vital Detection Agent (VDA)와 Redundancy Detection Agent (RDA)로 구성된 듀얼 에이전트 강화 학습 프레임워크로, 구조적으로 중요한 노드와 중복 노드를 공동으로 식별하여 압축을 유도한다. Cutter는 학습 효율성과 압축 품질을 향상시키기 위해 trajectory-level reward shaping, prototype-based shaping, cross-agent imitation의 세 가지 주요 전략을 통합한다. 여러 실제 그래프에 대한 실험 결과, Cutter는 본질적인 정적 위상적 속성을 유지하고 다양한 공격 시나리오에서 원래 그래프와 매우 일치하는 강건성 저하 추세를 보이는 압축 그래프를 생성하여, 평가 충실도를 저해하지 않으면서 평가 효율성을 크게 향상시킨다.
