AML için çoklu graf sinir ağlarına karşı saldırı ve savunma çerçevesi

Finansal işlem ağları doğal olarak çoklu graflar olarak temsil edilir. Aynı hesap çifti arasındaki tekrarlanan işlemler bu yapıda farklı kenarlar olarak modellenir. Son yıllardaAML görevlerinde güçlü performans elde etmek için bu yapıyı açıkça kullanan çoklu graf sinir mimarileri önerilmiştir.

Çalışmanın amacı ve kapsamı

Bu mimarilerin işlem yapılarını manipüle eden karşıt saldırılara karşı dayanıklılığı büyük ölçüde keşfedilmemişti. Araştırmacılar, node-kenar insans matrislerini kullanan ilk ölçeklenebilir yapısal saldırı ve karşıt eğitim çerçevesini geliştirerek bu boşluğu doldurmaya çalıştı.

Saldırı ve savunma yöntemleri

Yapısal pertürbasyonları optimize etmek için projeksiyonel gradyan inişi ve projeksiyonel rastgele blok koordinat inişi yöntemleri uyarlanmıştır. Ayrıca, directed 2- ve 3-döngülerin küresel sayılarındaki değişiklikleri cezalandıran döngü tabanlı bir düzenleyici tanıtılmıştır.

Deneme sonuçları

Denemeler, öğrenilmiş saldırıların tespit performansını (PR-AUC) önemli ölçüde azalttığını ve öğrenilebilir olmayan pertürbasyon temellerinden daha iyi sonuç verdiğini göstermiştir. Karşıt eğitim ise bu saldırılara karşı dayanıklılığı sürekli olarak artırmıştır.

Çalışmanın kodu açık kaynak olarak paylaşılmıştır. Makale, Machine Learning (cs.LG) konusu altında arXiv'de yayımlanmış ve Beşinci Graf Üzerine Öğrenme Konferansı (LoG 2026) tarafından kabul edilmiştir. Yayın tarihi 26.10.2026, arXiv sürüm v1 tarihi ise 22.10.2026 olarak belirtilmiştir. Dennis Heijmans yazar ve gönderen olarak listelenmiştir.

Neden önemli?

Finansal işlem ağlarının çoklu graf olarak temsil edildiğiAML görevlerinde, model güvenliği henüz yeterince incelenmemişti. Çalışma, bu sistemlerin yapısal saldırılara karşı zayıf olduğunu ortaya koyarken, karşıt eğitimin etkili bir savunma sağlayabileceğini göstererek sektöre önemli bir bağlam sunuyor.

Kaynak: arXiv — Machine Learning

Temsili görsel: Google DeepMind / Pexels