金融犯罪分析のための敵対的ロバスト性を備えた多グラフニューラルネットワークへ

arXiv:2610.31718v1 発表タイプ：新規 要旨：金融取引ネットワークは自然に多重グラフとして表現され、同一の口座ペア間の繰り返し取引は異なる辺としてモデル化される。近年提案された多重グラフニューラルネットワークのアーキテクチャは、この構造を明示的に活用することで、アンチマネーロンダリング（AML）タスクにおいて高い性能を実現している。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ロバスト性については、依然としてほとんど研究されていない。本稿では、ノード・エッジ接続行列を用いた多重グラフニューラルネットワークに対する構造的攻撃および敵対的学習のための、初めてのスケーラブルなフレームワークを提示する。さらに、このような多重グラフ上で構造的摂動を最適化するため、射影勾配降下法および射影ランダム化ブロック座標降下法を適用している。