本研究は、グラフニューラルネットワーク（GNN）が敵対攻撃に対して脆弱であることを受けている。これまでの防御手法は、通常1種類の攻撃に特化しており、複数の脅威に同時に対抗できる統一的アプローチが欠けていた。著者たちは、専門家の混合（MoE）アーキテクチャの柔軟性を活かし、バックドア攻撃やエッジ操作、ノード挿入攻撃に対する防御のためにスケーラブルな統一フレームワークを設計した。具体的には、個々の専門家が異なる近隣構造に注目し、局所構造の変動に影響されない専門家の十分なサブセットを確保するためのMIに基づく論理多様性損失を提案した。また、変動パターンを特定し、適応的に専門家にノードをルーティングする堅牢性認識ルーターも導入した。多様な敵対設定下での実験により、本手法は多くのグラフ敵対攻撃に対して優れた堅牢性を達成することが示された。