محققان گام بزرگی برای افزایش امنیت و دقت در شبکههای عصبی گراف برداشتهاند. مشکلی که همیشه در GNNها وجود داشت، «تضاد بین دقت و استحکام مدل» در برابر حملات بود؛ یعنی یا مدل دقیق بود و آسیبپذیر، یا مستحکم بود و کند.
اکنون فریمورک جدیدی به نام AuditVotes معرفی شده که با دو قابلیت کلیدی، این بازی را تغییر میدهد:
✅ گرافریوایرینگ (Graph Rewiring): حذف نویزها برای بازگردانی کیفیت دادهها.
✅ شرطیسازی آرا (Conditional Smoothing): فیلتر کردن آرا با اطمینان پایین برای حفظ ثبات پیشبینی.
نتایج آزمایشها فوقالعاده است! در برخی تستها، این مدل توانسته دقت را تا بیش از ۴۰۰٪ افزایش دهد، بدون اینکه سرعت مدل قربانی شود. این یعنی قدمی بزرگ برای امنسازی هوش مصنوعی در حوزههای حساس که نیاز به تضمینهای محاسباتی دارند. 🚀
منبع: arXiv AI