تسعى شبكة التعلم العميق المسماة شبكات التعلم العميق الرسومية (Graph Neural Networks - GNNs) إلى تحقيق نجاحات ملحوظة في مجموعة متنوعة من التطبيقات. ومع ذلك، تبقى هذه الشبكات عرضة للهجمات الخبيثة التي يمكن أن تؤثر سلبًا على هيكل البيانات. في الوقت الذي تفتقر فيه الدفاعات التقليدية إلى الأسس النظرية الصلبة وغالبًا ما تعتمد على خوارزميات خاصة بالهجوم أو تتطلب إجراءات إعادة تدريب مكلفة، تأتي تقنية جديدة تدعى "تنظيف الحواف اعتمادًا على تعقيد الكيرنيل" (Kernel-Complexity Edge Sanitization - KCES) كحل موثوق.

تأسست KCES على مبدأ يُعرف بتعقيد الكيرنيل الرسومي (Graph Kernel Complexity - GKC)، وهو مقياس مثالي مشتق من مصفوفة جرام الرسومية، والتي تظهر في حدود تعميم error GNN، مما يسمح لنا بتعريف درجة KC خاصة بكل حافة. هذه الدرجة تقيس تأثير الهيكلية لكل حافة من خلال التغير الناتج في GKC. إثر ذلك، تقوم KCES بتحديد واقتطاع الحواف ذات درجة KC العالية، التي غالبًا ما تكون محملة بالاضطرابات الهجومية تحت الهجمات الهيكلية، لتقليل تأثيرها الضار.

عملية KCES ليست فقط فعالة من حيث الحساب لكنها أيضًا قابلة للتوسع، وتعمل كخطوة معالجة خفيفة دون الحاجة إلى إعادة تدريب النموذج. علاوة على ذلك، يمكن دمج KCES بسهولة مع الدفاعات الموجودة. أظهرت التجارب الواسعة أن KCES تتفوق بشكل متسق على قواعد بيانات قوية تمثل أساسيات الأمان عبر بيئات الهجمات المختلفة، وتثبت فعاليتها مع الرسوم البيانية الكبيرة. بدعم من التحليل النظري والتحقق التجريبي الواسع، تقدم KCES إطارًا رائدًا وآمنًا لحماية شبكات التعلم العميق الرسومية.