본 논문은 그래프 신경망(GNN)의 취약성을 해결하기 위해, 적대적 공격의 강도를 정량화하는 새로운 개념인 '노이즈'를 제시합니다. 기존 연구들이 공격 성능에 기반한 최적화에 집중한 것과 달리, 본 논문은 각 노드/링크 삽입과 같은 perturbation의 강도를 정량화하여 해석 가능성을 높였습니다. 제안된 노이즈와 분류 마진을 기반으로 세 가지 새로운 공격 전략(단일 및 다중 단계 최적화)을 제시하며, 대표적인 세 가지 GNN에 대한 벤치마크 데이터셋 실험을 통해 그 효과를 입증합니다. 또한, 선택된 perturbation 노드의 특성 분석을 통해 효과적인 적대적 perturbation의 선호 패턴을 조사합니다.
