그래프 신경망(GNNs)은 사기 탐지에 효과적인 도구로 부상하여, 사기 사용자들을 식별하고 악의적 행태를 밝혀내는 데 활용되어 왔다. 그러나 GNN 기반 사기 탐지기에 대한 공격과 그 위험성은 드물게 연구되어 왔으며, 그 결과 잠재적 위협이 충분히 다루어지지 못하고 있다. 최근의 연구 결과에 따르면 사기는 점차 갱단이나 집단 형태로 조직화되는 경향이 있다. 본 연구에서는 사기 갱단이 공모(collusion) 속에서 불법 행위를 위장하여 사기 노드가 양성(benign)으로 오분류되도록 만드는 공격 시나리오를 설계한다. 이러한 시나리오를 바탕으로, 세 가지 실제 사기 사례인 스팸 리뷰, 가짜 뉴스, 의료 보험 사기에서 사기 갱단의 공격을 시뮬레이션하여 GNN 기반 사기 탐지기에 대한 적대적 공격을 연구한다. 우리는 이들 공격을 다중 표적 그래프 삽입(multi-target graph injection) 공격으로 정의하고, 트랜스포머 기반의 MonTi를 제안한다. MonTi는 Multi-target one-Time 그래프 삽입 공격 모델로서, 트랜스포머 인코더를 통해 모든 공격 노드의 속성과 간선을 동시에 생성하며, 속성과 간선 간의 상호 의존성을 대부분의 기존 그래프 삽입 공격 방법보다 더 효과적으로 포착한다. 또한 MonTi는 기존 방법과 달리 모든 공격 노드에 대해 차수(degree) 예산을 고정하지 않고, 표적, 후보, 공격 노드를 포함하는 다양한 삽입 구조를 탐색하기 위해 각 공격 노드에 대한 차수 예산을 적응적으로 할당한다. 실험 결과, MonTi는 다섯 개의 실제 그래프에서 최신 그래프 삽입 공격 방법들보다 우수한 성능을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.