基于节点-边关联矩阵的多图神经网络对抗鲁棒性框架

针对反洗钱任务中多图神经网络的对抗脆弱性，论文提出首个可扩展的结构攻击与对抗训练框架，利用节点-边关联矩阵优化结构扰动。 该框架适应投影梯度下降法，并引入基于环的正则化项以惩罚有向二阶及三阶环计数的变化，增强攻击的合理性。 实验表明，所学到的攻击能显著降低检测性能（PR-AUC），而对抗训练可有效提升模型的鲁棒性。