그래프 신경망(GNNs)은 사기 탐지에서 효과적인 도구로 부상하였으며, 부정 사용자들을 식별하고 악의적 행위를 탐지하는 데 활용되어 왔다. 그러나 GNN 기반 사기 탐지기에 대한 공격과 그 위험성은 드물게 연구되어 왔고, 이에 잠재적 위협이 충분히 다루어지지 않은 상태이다. 최근의 연구 결과는 사기가 점점 더 갱단이나 집단 형태로 조직되고 있음을 시사한다. 본 연구에서는 사기 갱단이 공모(collusion)하에 불법 활동을 위장함으로써, 그들의 사기 노드가 양성(benign)으로 잘못 분류되도록 만들기 위한 공격 시나리오를 설계한다. 이러한 시나리오를 바탕으로, 3가지 실제 사기 사례(스팸 리뷰, 가짜 뉴스, 의료 보험 사기)에서 사기 갱단의 공격을 시뮬레이션하여 GNN 기반 사기 탐지기에 대한 적대적 공격을 연구한다. 우리는 이러한 공격을 다중 표적 그래프 삽입(multi-target graph injection) 공격으로 정의하고, 트랜스포머 기반의 Multi-target one-Time 그래프 삽입 공격 모델인 MonTi를 제안한다. MonTi는 트랜스포머 인코더(transformer encoder)를 통해 모든 공격 노드의 속성과 간선을 동시에 생성하여, 이 요소들을 순차적으로 생성하는 대부분의 기존 그래프 삽입 공격 방법보다 속성과 간선 간의 상호의존성을 더 효과적으로 포착한다. 또한 MonTi는 각 공격 노드에 대한 차수(degree) 예산을 적응적으로 할당하여, 표적, 후보 및 공격 노드를 포함하는 다양한 삽입 구조를 탐색한다. 이는 모든 공격 노드에 대해 차수 예산을 고정하는 기존 방법과는 대비된다. 실험 결과, MonTi는 5개의 실제 그래프에서 최신 그래프 삽입 공격 방법들에 비해 성능이 우수함을 보여준다.

공간-시간 그래프(STG) 예측은 교통 및 날씨 예측을 포함한 실제 세계 전반의 광범위한 응용을 가지는 중요한 과제이다. STG에서의 복잡한 동역학을 모델링하기 위해 최근 여러 방법들이 제안되었음에도 불구하고, 장거리 공간-시간 의존성을 다루는 문제는 여전히 중대한 도전 과제로 남아 있어 성능 향상이 제한적이다. 장거리 의존성을 포착하는 데 놀라운 능력을 보인 최근 제안된 상태공간 모델인 Mamba에 영감을 받아, SpoT-Mamba라는 새로운 STG 예측 프레임워크를 제안한다. SpoT-Mamba는 다양한 노드-특화 워크 시퀀스를 스캔하여 노드 임베딩을 생성한다. 생성된 노드 임베딩을 바탕으로, 시간 스캔을 수행하여 장거리 공간-시간 의존성을 포착한다. 실제 세계 교통 예측 데이터셋에 대한 실험 결과는 SpoT-Mamba의 효과성을 입증한다.