그래프 구조 데이터의 adversarial attack에 대한 강건성 평가의 계산 비용 문제를 해결하기 위해, 위상 구조와 강건성 프로파일을 모두 보존하는 압축된 표현으로 그래프를 압축하는 방법을 제안합니다. Cutter라는 Vital Detection Agent (VDA)와 Redundancy Detection Agent (RDA)로 구성된 듀얼 에이전트 강화 학습 프레임워크를 사용하며, 구조적으로 중요한 노드와 중복 노드를 식별하여 효율적인 평가를 가능하게 합니다. Cutter는 궤적 수준 보상 쉐이핑, 프로토타입 기반 쉐이핑, 교차 에이전트 모방과 같은 세 가지 주요 전략을 활용하여 학습 효율성과 압축 품질을 향상시킵니다. 다양한 실제 그래프 실험을 통해 Cutter가 생성한 압축 그래프가 본질적인 정적 위상 특성을 유지하고 다양한 공격 시나리오에서 원래 그래프와 매우 일치하는 강건성 저하 경향을 보임을 확인했습니다.
