本研究探讨了提高卷积神经网络对抗攻击鲁棒性的方法，包括特征去噪、对抗噪声传播和随机神经网络等技术。实验结果显示，这些方法在多个数据集上显著提升了模型的分类准确率和鲁棒性，尤其是在对抗训练中引入高斯噪声和优化架构设计方面表现突出。

本文研究了图神经网络（GNN）的性能，提出了多种新模型和框架，以提高其在噪声图中的鲁棒性。实验验证了这些模型在特征去噪和图结构保持方面的有效性，为应对噪声和攻击问题提供了新解决方案。