최근의 연구 결과는 시각 분류 작업에서 입력 특성에 대한 작은 그러나 의도적인 변동(perturbation)에 신경망이 취약하다는 것을 보여주고 있습니다. 예를 들어, 인용 링크가 있는 문서들은 같은 클래스에 속할 가능성이 높습니다. 이러한 예제들 간의 연결성을 고려하면 그래프 신경망은 변동에 더욱 민감해질 수 있으며, 연결된 예제들로부터 발생하는 변동이 대상 예제에 미치는 영향을 악화시킬 수 있습니다. 적대적 훈련(Adversarial Training, AT)은 동적 정규화 기법으로, 입력 특성에 대한 최악의 경우 변동을 저항할 수 있으며 모델의 견고성과 일반화 능력을 개선하는 유망한 방법입니다. 그러나 기존의 AT 방법들은 표준 분류에 초점을 맞추어 있어 그래프 상에서 모델을 훈련시키는 데는 효과적이지 않습니다. 이는 연결된 예제들의 영향을 모델링하지 않기 때문입니다.본 연구에서는 그래프 상에서의 적대적 훈련을 탐구하여, 그래프에서 학습된 모델의 견고성과 일반화 능력을 개선하고자 합니다. 우리는 연결된 예제들의 영향을 고려하여 변동을 구성하고 저항하는 방법을 학습하는 Graph Adversarial Training (GraphAT)를 제안합니다. GraphAT의 일반적인 공식화를 제시하며, 이는 그래프 구조를 기반으로 하는 동적 정규화 방식으로 볼 수 있습니다. GraphAT의 활용성을 입증하기 위해, 최신 그래프 신경망 모델인 Graph Convolutional Network (GCN)에 적용하였습니다. Citeseer와 Cora 두 인용 그래프 및 NELL 지식 그래프에서 실험을 수행한 결과, 노드 분류 정확도 측면에서 GraphAT가 일반적인 GCN 훈련보다 4.51% 우수한 성능을 보임을 확인하였습니다. 코드는 다음 주소에서 이용 가능합니다: https://github.com/fulifeng/GraphAT.