AuditVotes：迈向可部署的图神经网络认证鲁棒性框架

本研究旨在解决图神经网络（GNNs）在适应性攻击下的鲁棒性挑战。提出的AuditVotes框架通过结合随机平滑、增强和条件平滑两个关键组件，实现了高准确率和认证鲁棒性，显著提高了数据质量和预测一致性。实验结果表明，AuditVotes在保持高计算效率的同时，显著提升了清晰准确率和认证鲁棒性，为图神经网络在实际应用中的部署提供了实质性支持。