Unveiling the Threat of Fraud Gangs to Graph Neural Networks: Multi-Target Graph Injection Attacks against GNN-Based Fraud Detectors

要約

グラフ ニューラル ネットワーク (GNN) は、不正行為の検出、不正ユーザーの特定、悪意のある動作の解明に効果的なツールとして登場しました。
しかし、GNN ベースの不正検出機能に対する攻撃とそのリスクはほとんど研究されていないため、潜在的な脅威は対処されていません。
最近の調査結果は、詐欺行為がギャングまたはグループとして組織化されることが増えていることを示唆しています。
この作業では、詐欺集団が共謀して違法行為を偽装することで、不正ノードを無害なものとして誤分類させることを目的とした攻撃シナリオを設計します。
これらのシナリオに基づいて、スパムレビュー、フェイクニュース、医療保険詐欺という 3 つの実際の詐欺事件における詐欺集団の攻撃をシミュレートすることにより、GNN ベースの詐欺検出器に対する敵対的攻撃を研究します。
私たちはこれらの攻撃をマルチターゲット グラフ インジェクション攻撃と定義し、トランスフォーマー ベースのマルチターゲット ワンタイム グラフ インジェクション攻撃モデルである MonTi を提案します。
MonTi は、トランスフォーマー エンコーダーを使用してすべての攻撃ノードの属性とエッジを同時に生成し、これらの要素を順次生成するほとんどの既存のグラフ インジェクション攻撃方法よりも効果的に属性とエッジ間の相互依存関係をキャプチャします。
さらに、MonTi は、すべての攻撃ノードにわたって次数バジェットを固定する既存の方法とは異なり、各攻撃ノードに次数バジェットを適応的に割り当て、ターゲット、候補、攻撃ノードを含む多様な注入構造を調査します。
実験では、MonTi が 5 つの現実世界のグラフに対して、最先端のグラフ インジェクション攻撃手法を上回るパフォーマンスを示すことが示されています。

要約(オリジナル)

Graph neural networks (GNNs) have emerged as an effective tool for fraud detection, identifying fraudulent users, and uncovering malicious behaviors. However, attacks against GNN-based fraud detectors and their risks have rarely been studied, thereby leaving potential threats unaddressed. Recent findings suggest that frauds are increasingly organized as gangs or groups. In this work, we design attack scenarios where fraud gangs aim to make their fraud nodes misclassified as benign by camouflaging their illicit activities in collusion. Based on these scenarios, we study adversarial attacks against GNN-based fraud detectors by simulating attacks of fraud gangs in three real-world fraud cases: spam reviews, fake news, and medical insurance frauds. We define these attacks as multi-target graph injection attacks and propose MonTi, a transformer-based Multi-target one-Time graph injection attack model. MonTi simultaneously generates attributes and edges of all attack nodes with a transformer encoder, capturing interdependencies between attributes and edges more effectively than most existing graph injection attack methods that generate these elements sequentially. Additionally, MonTi adaptively allocates the degree budget for each attack node to explore diverse injection structures involving target, candidate, and attack nodes, unlike existing methods that fix the degree budget across all attack nodes. Experiments show that MonTi outperforms the state-of-the-art graph injection attack methods on five real-world graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google