본 논문은 그래프 신경망(GNN)의 훈련 효율을 높이기 위해 등장한 그래프 축약(graph condensation) 기법의 보안 취약성을 다룹니다. 기존 연구들이 그래프 크기와 GNN 성능 간의 최적 조화에 초점을 맞춘 반면, 본 논문은 그래프 축약의 보안 문제를 최초로 다룹니다. 연구진은 축약된 그래프에서 훈련된 GNN에 대한 백도어 공격(backdoor attack)을 탐구하고, BGC라는 효과적인 백도어 공격 기법을 제시합니다. BGC는 트리거 주입에도 불구하고 축약된 그래프의 질을 유지하고, 축약 과정을 거쳐 트리거 효율성을 보장하여 높은 공격 성공률을 달성합니다. 실험 결과, BGC는 높은 공격 성공률(1.0에 가까움)과 우수한 모델 유용성을 보이며, 여러 방어 기법에 대한 실험에서도 강인성을 입증합니다. 마지막으로 공격 성능에 영향을 미치는 주요 하이퍼파라미터를 분석합니다.
