论文提出基于操纵成本与暴露度的多关系图学习信任评估框架

该论文针对多关系图检测器在对抗环境下的信任问题，证明当部分节点被隔离且攻击者无力打开门控时，度门控（degree gating）严格优于任何关系选择或重加权策略。研究指出，通过计算单位成本的节点暴露度，平台可以精准识别需要加固的关系，该方法在16个案例中有15个能最大化提升陷阱阈值，表现优于仅考虑信息量、廉价性或编辑成本相等的分析方案。

实验数据显示，在六个真实图数据集的90种设置中，基于清洁数据训练的图检测器有58次表现低于无图基线，证实了盲目使用关系的风险。作者构建的选择协议在最多四个关系时主要采取弃权策略，其效果与单纯验证相当；而在关系众多时，引入成本感知的提案能提供更优解。若缺乏成本信息，最安全的策略是直接放弃使用该关系。

事实层面，该研究给出了线性关系模型的最坏情况精确解、R-GCN和树集成模型的认证边界，以及对抗验证的有限样本保证。推断上，这意味着在无法量化攻击成本的情况下，将图结构纳入检测系统可能反而降低鲁棒性。猜测方面，该结论是否适用于大规模工业级图神经网络仍需进一步验证，但为安全导向的图学习设计提供了明确的理论边界。