该论文研究了异质图中图神经网络的脆弱性，并提出了一种名为NSPGNN的鲁棒模型，通过双k最近邻图管道来解决负分类损失更新与成对相似性的负相关问题。实验证明，NSPGNN在同质图和异质图上都具有普遍的鲁棒性。

该研究探讨了机器学习模型易受攻击的问题，采用对抗培训学习鲁棒模型，但发现未被扰动的测试集上存在更高的泛化误差。研究证明更多数据可能会增加鲁棒分类器与标准分类器泛化误差的差距，并提出了理论结果以判定何时和何种情况下添加更多数据才能缩小这种差距。此现象也出现在线性回归模型中。