본 논문은 부호 그래프(Signed Graph)에서 노이즈에 강인한 표현 학습을 위한 새로운 프레임워크인 RIDGE를 제안한다. RIDGE는 그래프 정보 병목(GIB) 이론을 기반으로 하며, 입력 데이터와 감독 대상(supervision targets) 모두의 노이즈를 제거하는 방식으로 작동한다. 재매개변수화 메커니즘과 변분 근사를 통해 계산 가능한 목적 함수를 정의하여, 입력 데이터와 감독 대상을 효과적으로 정제한다. 네 개의 널리 사용되는 부호 그래프 데이터셋에서 실험을 진행하여, RIDGE가 기존 SGNN 모델의 견고성을 향상시킴을 입증했다.
