金融交易網絡天然具有多重圖結構：同一對賬户之間反覆發生的多筆交易被建模為彼此不同的多條邊。近期提出的多重圖神經網絡架構正是顯式利用這一結構，在反洗錢（AML）任務上取得了較強性能。然而，這類模型面對刻意操縱交易結構以逃避檢測的對抗者時是否穩健，此前幾乎沒有得到系統研究。Dennis Heijmans 與另外三位作者提交的論文《Towards Adversarially Robust Multigraph Neural Networks for Financial Crime Analysis》填補了這一空白，論文於2026年10月22日提交至 arXiv（編號 arXiv:2610.31718，cs.LG 分類），並已被第五屆 Learning on Graphs 會議（LoG 2026）接收，全文共20頁、含10幅圖和3張表。
作者提出的核心貢獻是首個可擴展的多重圖神經網絡結構攻擊與對抗訓練框架。該框架基於節點—邊關聯矩陣（node-edge incidence matrix）來表示圖結構，並將投影梯度下降（projected gradient descent）與投影隨機塊座標下降（projected randomized block coordinate descent）兩種優化方法適配到這類矩陣上，用以優化結構擾動。相較於直接在整個鄰接張量上操作，關聯矩陣形式使攻擊優化在規模較大的交易網絡上仍然可行，這是“可擴展”的關鍵所在。
除攻擊方法外，論文還引入了一個基於環（cycle）的正則項。該正則項懲罰有向2環與3環全局計數的變化，從而為攻擊的“合理性”提供了一個結構性度量：真實世界中洗錢者調整交易結構時會受制於會計與資金流動約束，隨意增刪邊往往會產生異常環路模式。將這一約束納入優化目標後，學習到的攻擊更接近現實中可能發生的規避行為，而非純數學意義上的最優擾動。
實驗部分覆蓋兩類數據：一類是合成的模式檢測數據集，用於可控地檢驗攻擊效果；另一類是貼近真實場景的AML數據集。結果顯示，作者學習到的攻擊在降低檢測性能（以 PR-AUC 衡量）方面顯著優於不可學習的擾動基線，説明多重圖神經網絡確實容易受到有針對性結構攻擊的影響。與此同時，對抗訓練——即在訓練過程中不斷注入此類學習到的攻擊樣本——能夠持續提升模型抵禦這些攻擊的穩健性，表明對抗訓練是一種有效的防禦手段。
論文的結論對反洗錢系統的實際部署具有直接含義：僅憑多重圖結構建模取得的高檢測指標，並不足以保證模型在對抗環境下的可靠性；將結構攻擊納入訓練流程，是提升AML模型實用穩健性的可行路徑。作者已公開代碼，地址為 https://github.com/denheijmans/robust_multignn，便於研究者復現實驗並在此基礎上繼續擴展。需要指出的是，本文的攻擊與防禦均在關聯矩陣表示下進行優化，其可擴展性結論及循環正則項的有效性主要建立在論文所用的合成與真實AML數據集之上，遷移到其他金融網絡場景時仍需進一步驗證。