Naukowcy zaprezentowali pierwszy skalowalny framework do ataków strukturalnych i adwersacyjnego trenowania multigraph neural networks (MNN) w kontekście analizy finansowych sieci transakcji. Badania dotyczą bezpieczeństwa systemów wykorzystywanych w walce z praniem pieniędzy, gdzie obecne architektury sieci neuronowych osiągają dobre wyniki, lecz ich odporność na manipulacje pozostawała słabo zbadana.
Tradycjonalne sieci do wykrywania anomalii finansowych reprezentują transakcje jako grafy, gdzie krawędzie symbolizują przepływy pieniędzy. Multigraf eksplicytnie modeluje wielokrotne transakcje między tymi samymi kontami jako odrębne krawędzie, co lepiej odzwierciedla rzeczywiste struktury finansowe. Zespół zaadaptował metody projected gradient descent i projected randomized block coordinate descent do optymalizacji perturbacji strukturalnych, używając macierzy incydencji węzeł-krawędź. Wprowadzili również regularyzator oparty na cyklach, który penalizuje zmiany w globalnych liczeniach cykli skierowanych 2- i 3-stopniowych, stanowiąc strukturalną miarę wiarygodności ataku.
Eksperymenty na syntetycznych zbiorach danych do wykrywania wzorców i realistycznych zbiorach AML (anti-money laundering) wykazały, że nauczone ataki znacznie lepiej zmniejszają wydajność detekcji (PR-AUC) niż perturbacje nienauczone. Adwersacyjny training konsekwentnie poprawiał odporność sieci na te ataki, co sugeruje efektywną obronę. Wyniki podkreślają krytyczną potrzebę zabudowania bezpieczeństwa adwersacyjnego w systemach finansowych od samego początku.