تظهر الشبكات العصبية البيانية (Graph Neural Networks - GNNs) بشكل متزايد في التطبيقات عالية المخاطر، مثل الكشف عن الاحتيال والرعاية الصحية، ولكنها تعاني من ضعف أمام الهجمات العدائية. استجابةً لهذه التحديات، تم اقتراح العديد من التقنيات لضمان متانة هذه الشبكات. ومع ذلك، لم تكن هناك دعم كافٍ لوظائف التجميع الشائعة في شبكات GNN المستخدمة بشكل واسع.

في هذه الورقة، طور الباحثون طريقة تحقق دقيقة (صحيحة وكاملة) لشبكات GNN تعمل على حساب الضمانات ضد التغييرات في الخصائص والهيكل، بما في ذلك إضافة أو حذف الحواف، مع الالتزام القيود المحددة للميزانية. تعتمد هذه الطريقة على حل القيود مع تحسين الحدود وتقوم بشكل متكرر بحل مجموعة من مشاكل تحقيق القيود المريحة، مُستغلة قدرات الحل المتزايد للمحققين لتحسين الكفاءة.

تم تنفيذ GNNev، وهو محقق دقيق ومرن للشبكات العصبية ذات تمرير الرسائل، الذي يدعم ثلاث وظائف تجميع: الجمع (sum)، والحد الأقصى (max)، والوسط (mean)، حيث تم اعتبار الأخيرين هنا لأول مرة.

أظهرت التقييمات التجريبية الواسعة لـ GNNev على بيانات الاحتيال الحقيقية (Amazon وYelp) وبيانات كيمياء حيوية (MUTAG وENZYMES) نجاحًا ملحوظًا وكفاءة، حيث قدم أداءً فائقًا في تصنيف العقد وتنافسية في تصنيف الرسوم البيانية مقارنةً بأدوات التحقق الدقيقة الموجودة على شبكات GNN المجمعة بالجمع.