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.

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