该研究提出了一种基于l2范数的新方法，用于检测ODD攻击技巧。该方法在CIFAR10/100平均OOD检测度量方面相对于之前的方法有约13％/5％的提高，并在分布内样本上提供高水平的认证和敌对鲁棒性。

该研究提出了一种新的基于l2范数的无需特定组件或训练的ODD鲁棒性证明方法，并改进了检测ODD攻击技巧的现有技术。相对于之前的方法，在CIFAR10/100平均OOD检测度量方面提高了约13％/5％，并在分布内样本上提供高水平的认证和敌对鲁棒性。

本文研究了敌对鲁棒性对图神经网络（GNNs）的影响，发现GNNs在理论和实际表达能力上与传统的消息传递神经网络（MPNNs）存在差距。研究还发现GNNs对计算特定子图模式的能力有限，并开发了对抗攻击子图计数方法。结果表明，即使是更强大的GNNs也无法适应图结构的轻微扰动，并且在超出分布的图上也无法计算子结构。

本文研究了图神经网络（GNNs）的敌对鲁棒性问题，发现GNNs在表达能力和实际应用中存在差距，对轻微扰动不敏感，无法处理超出分布的图上的子结构。