論文の概要: Towards Adversarially Robust Multigraph Neural Networks for Financial Crime Analysis

• arxiv url: http://arxiv.org/abs/2610.31718v1
• Date: Thu, 22 Oct 2026 08:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.251887
• Title: Towards Adversarially Robust Multigraph Neural Networks for Financial Crime Analysis
• Title（参考訳）: 金融犯罪分析のための逆ロバストなマルチグラフニューラルネットワークを目指して
• Abstract要約: 本稿では,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角トレーニングのためのフレームワークを提案する。 合成パターン検出と現実的なAMLデータセットの実験は、学習した攻撃が学習不能な摂動を著しく上回っていることを示している。 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した構造的攻撃に対して脆弱であり、敵の訓練が効果的な防御を提供することを示す。
• 参考スコア（独自算出の注目度）: 3.572952868431779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial transaction networks are naturally represented as multigraphs, where repeated transactions between the same pair of accounts are modeled as distinct edges. Recently proposed multigraph neural network architectures leverage this structure explicitly to achieve a strong performance on anti-money laundering (AML) tasks. However, their robustness to adversaries that manipulate transaction structures to evade detection remains largely unexplored. We present the first scalable framework for structural attacks and adversarial training of multigraph neural networks using node-edge incidence matrices, adapting projected gradient descent and projected randomized block coordinate descent methods to optimize structural perturbations over such matrices. We further introduce a cycle-based regularizer that penalizes changes in the global counts of directed 2- and 3-cycles, providing a structural measure of attack plausibility. Experiments on synthetic pattern-detection and realistic AML datasets show that our learned attacks substantially outperform non-learnable perturbation baselines in reducing detection performance (PR-AUC), while adversarial training consistently improves robustness against these attacks. These results demonstrate that multigraph neural networks are vulnerable to learned structural attacks and that adversarial training provides an effective defense. Our code is available at https://github.com/denheijmans/robust_multignn.
• Abstract（参考訳）: 金融トランザクションネットワークは自然にマルチグラフとして表現され、同じアカウント間の繰り返しトランザクションは異なるエッジとしてモデル化される。 最近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、この構造を明示的に利用して、アンチマネーロンダリング(AML)タスクの強力なパフォーマンスを実現している。 しかし、トランザクション構造を操作して検出を回避する敵に対する堅牢性はほとんど解明されていない。 本稿では,ノードエッジ入射行列を用いたマルチグラフニューラルネットワークの構造的攻撃および逆トレーニングのための,最初のスケーラブルなフレームワークを提案する。 さらに,2サイクルおよび3サイクルの大域的数の変化を罰するサイクルベース正規化器を導入し,攻撃の可否に関する構造的尺度を提供する。 合成パターン検出および現実的なAMLデータセットの実験により、我々の学習した攻撃は検出性能(PR-AUC)の低下において、学習不能な摂動ベースラインを著しく上回り、一方、敵対的トレーニングはこれらの攻撃に対する堅牢性を一貫して改善することが示された。 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した構造的攻撃に対して脆弱であり、敵の訓練が効果的な防御を提供することを示す。 私たちのコードはhttps://github.com/denheijmans/robust_multignn.comから入手可能です。

関連論文リスト

• Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks [3.444915014411325]
  グラフニューラルネットワーク(GNN)は、機械学習(ML)ベースのネットワーク侵入検知システム(NIDS)のための有望なソリューションである GNNは、エッジを注入したりノードを挿入することで、攻撃者が基盤となるネットワークグラフトポロジを乱す構造的敵攻撃に対して脆弱なままである。 本稿では,GNN ベースの NIDS を構造攻撃に対して強化するための対人訓練に基づく防御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T12:06:12Z)
• Adversarial generalization of unfolding (model-based) networks [0.0]
  本稿では,$l$-normの制約付き攻撃で乱れた場合の展開ネットワークの対角一般化について検討する。 これは展開ネットワークの対角一般化に関する最初の理論的解析である。 実世界のデータに関する一連の実験を行い、得られた理論を裏付ける結果を得た。
  論文  参考訳（メタデータ） (2025-09-18T19:17:07Z)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。