该研究提出了一种新型攻击方法SCLBA，针对图卷积网络（GCNs）的标签和语义后门攻击。通过重要性分析选择节点作为触发器，成功创建有毒样本，攻击成功率接近99%。

本文探讨了一种针对后门攻击的防御机制，通过构建有毒样本来消除后门威胁。研究表明，该方法有效降低了攻击成功率，同时保持了模型的高准确性。提出的Reconstructive Neuron Pruning（RNP）方法通过非对称重构学习修剪神经网络中的后门节点，展现出优越的防御效果。