面向金融犯罪分析的对抗鲁棒多重图神经网络

arXiv:2610.31718v1 公告类型：新 摘要：金融交易网络天然可表示为多重图，其中同一对账户之间的重复交易被建模为不同的边。近期提出的多重图神经网络架构显式利用了这一结构，在反洗钱（AML）任务中取得了优异的性能。然而，它们对于通过操纵交易结构来规避检测的对手方的鲁棒性，仍未得到充分研究。我们提出了首个可扩展的多重图神经网络结构攻击与对抗训练框架，该框架利用节点—边关联矩阵，并将投影梯度下降和投影随机块坐标下降方法适配到此类矩阵上，以优化结构扰动。我们进一步引入了一种基于环的正则化器，用于惩罚有向二环和三环全局计数的变化，从而提供一种衡量攻击合理性的结构指标。在合成模式检测数据集和真实反洗钱（AML）数据集上的实验表明，在降低检测性能（PR-AUC）方面，我们学习得到的攻击显著优于不可学习的扰动基线；与此同时，对抗训练持续提升了模型抵御这些攻击的鲁棒性。这些结果表明，多重图神经网络容易受到学习型结构攻击的影响，而对抗训练能够提供有效防御。我们的代码已发布于 https://github.com/denheijmans/robust_multignn。