金融取引ネットワークは自然にマルチグラフとして表現される。同じ口座ペア間の繰り返し取引が異なるエッジとしてモデル化されるためだ。最近提案されたマルチグラフニューラルネットワーク（MultiGNN）アーキテクチャはこの構造を明示的に活用し、マネーロンダリング（AML）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ロバスト性はほとんど未解明のままだ。本論文は、ノード-エッジ接続行列を用いてMultiGNNの構造攻撃と敵対的訓練を行うための、初のスケーラブルなフレームワークを提示する。
著者らは、接続行列上の構造摂動を最適化するために、投影勾配降下法（PGD）と投影ランダム化ブロック座標降下法（PRBCD）を適応させている。これにより、大規模な取引ネットワークに対しても現実的な時間で攻撃を学習できる。さらに、有向2環および3環のグローバルカウントの変化に罰則を与えるサイクルベースの正則化項を導入する。この正則化項は、攻撃が構造的にどれだけ妥当であるかを測る指標として機能し、非現実的な摂動を抑制する役割を果たす。
実験は、合成パターン検出データセットと現実的なAMLデータセットの両方で実施された。その結果、学習された攻撃は、学習不可能な摂動ベースラインと比較して、検出性能（PR-AUC）を大幅に低下させることが示された。これはMultiGNNが学習型構造攻撃に対して脆弱であることを意味する。一方、敵対的訓練を適用すると、これらの攻撃に対するロバスト性が一貫して向上することも確認された。つまり、敵対的訓練は有効な防御策となり得る。
本論文は20ページ、10図、3表で構成され、第5回Learning on Graphs Conference（LoG 2026）に採択された。コードはGitHub（denheijmans/robust_multignn）で公開されている。著者はDennis Heijmansら4名であり、arXiv:2610.31718として2026年10月22日に提出された。