デニス・ヘイマンス (Dennis Heijmans) 氏らの研究チームは2026年10月22日(現地時間)、金融犯罪分析に用いられるマルチグラフニューラルネットワーク (Multigraph Neural Networks) の、敵対的攻撃に対する堅牢性に関する研究論文をarXiv cs.LGで発表した。この研究は、金融取引ネットワークをマルチグラフとして表現し、マネーロンダリング対策 (AML) タスクで優れた性能を発揮する同ネットワークが、構造的攻撃に対して脆弱であることを指摘。その対抗訓練のためのスケーラブルなフレームワークを提示している。
この研究は、同一アカウント間の繰り返しの取引を個別のエッジとしてモデル化する、マルチグラフとしての金融取引ネットワークの表現に着目する。近年提案されたマルチグラフニューラルネットワークアーキテクチャは、この多層的な構造を明示的に活用し、マネーロンダリング対策タスクで高い性能を達成している。しかし、検出を回避するために取引構造を操作する敵対者に対する、その堅牢性についてはこれまで十分に探求されていなかった。
論文では、ノードエッジ接続行列 (node-edge incidence matrices) を用いて、マルチグラフニューラルネットワークの構造的攻撃と対抗訓練のための、初のスケーラブルなフレームワークが提示された。このフレームワークは、射影勾配降下法 (projected gradient descent) と射影ランダム化ブロック座標降下法 (projected randomized block coordinate descent) を適応させ、これらの行列に対する構造的摂動を最適化する。さらに、指向性2サイクルおよび3サイクルのグローバルカウントの変化にペナルティを課す、サイクルベースの正則化手法が導入されており、攻撃の妥当性を測る構造的尺度を提供する。
合成パターン検出データセットと現実的なマネーロンダリング対策データセットを用いた実験では、開発された攻撃手法が、検出性能 (PR-AUC) の低減において、学習不能な摂動ベースラインを大幅に上回ることが示された。また、対抗訓練はこれらの攻撃に対する堅牢性を一貫して向上させることが確認された。これらの結果は、マルチグラフニューラルネットワークが学習された構造的攻撃に対して脆弱であること、そして対抗訓練が効果的な防御策となり得ることを実証している。本研究のコードは公開されており、本論文はLearning on Graphs Conference (LoG 2026) で採択された。
参考: arXiv cs.LG (アーカイブ) — 2026年10月27日 13:00 (JST)
原文ハイライト"adversarial training consistently improves robustness against these attacks."