라인그래프 기반 다중시각 그래프 신경망을 활용한 AML 혁신

** 본 논문은 AML(반자금세탁) 시스템의 한계점을 극복하기 위해 거래 그래프를 대상으로 설계된 새로운 그래프 신경망 모델, **LineMVGNN**을 제안한다. 기존 규칙 기반 AML은 도메인 전문가의 지식에 의존해 정확도가 낮고 확장성이 부족한 반면, 최근 그래프 신경망(GNN)은 거래 흐름을 구조적으로 학습할 수 있어 주목받고 있다. 그러나 현재 사용되는 스펙트럴 GNN은 (1) 다차원 엣지 특성을 자연스럽게 지원하지 못하고, (2) 스펙트럼 필터 연산으로 인해 전체 그래프를 매번 전파해야 하므로 대규모 데이터에 비효율적이며, (3) 엣지‑투‑엣지 상호작용을 직접 모델링하지 못한다는 문제점이 있다. 반면, 공간 기반 GNN은 인‑아웃 이웃을 직접 집계하지만, 대부분이 인-이웃만 혹은 아웃-이웃만을 사용하거나 파라미터를 중복해서 사용해 효율성이 떨어진다. 이에 저자들은 **MVGNN(Multi‑View Graph Neural Network)**이라는 경량 모듈을 Dir‑GNN 프레임워크 위에 구축한다. MVGNN은 인‑이웃(N_in)과 아웃‑이웃(N_out)으로부터 각각 메시지를 수집하고, 동일한 파라미터(M_in = M_out)를 공유함으로써 모델 복잡도를 낮춘다. 메시지 결합 단계에서는 두 가지 방식을 실험한다. 첫 번째는 가중합 방식으로, 학습 가능한 스칼라 α를 통해 인‑메시지와 아웃‑메시지의 비중을 조절한다(Equation 4). 두 번째는 두 메시지를 연결(concatenation)한 뒤 선형 변환 F를 적용해 요소별 상호작용을 학습한다(Equation 5). 이렇게 얻어진 메시지는 노드 업데이트 함수 U를 통해 새로운 노드 임베딩 h^{(l+1)}_v를 만든다. 또한, 과도한 스무딩을 방지하기 위해 Personalized PageRank 기반 가중합 β_l을 도입해 여러 레이어의 출력을 종합한다(Equation 7). **라인그래프(L(G))**는 원 그래프 G의 엣지를 노드로 변환하고, 연속된 거래(수취인 = 송금인) 사이에 방향성 있는 엣지를 연결한다. 라인그래프는 거래 간 흐름을 명시적으로 표현하므로, 엣지‑투‑엣지 전파가 가능해진다. LineMVGNN은 매 G 레이어 전마다 라인그래프 G′에 별도의 MVGNN 레이어를 적용해 엣지 임베딩을 업데이트하고, 그 결과를 원 그래프 G의 메시지 전달에 반영한다. 이는 “첫 번째 레이어에서 원시 엣지 특성이 무의미하게 집계된다”는 기존 GNN의 약점을 보완한다. 실험은 두 실제 데이터셋을 사용한다. 첫 번째는 이더리움 블록체인에서 수집한 피싱 거래 네트워크이며, 두 번째는 산업 파트너가 제공한 금융 결제 트랜잭션(FPT) 데이터이다. 두 데이터 모두 노드(계정)와 엣지(거래) 모두 다차원 속성을 가지고 있다(예: 금액, 토큰 종류, 타임스탬프). 평가 지표는 AUROC, AUPRC, 정확도, F1 점수이며, 비교 대상은 최신 스펙트럴 모델(DiGCN, MagNet, SigMaNet, FaberNet)과 공간 모델(Dir‑GNN, DAGNN 등)이다. 결과는 LineMVGNN이 모든 지표에서 최고 성능을 기록했으며, 특히 라인그래프를 포함했을 때 AUROC가 3~5% 상승했다. 파라미터 수는 기존 모델 대비 30% 이하로 감소했으며, 학습 시간도 비슷하거나 약간 빠른 수준을 유지했다. 확장성 테스트에서는 노드 수가 1M, 엣지 수가 10M인 대규모 합성 그래프에 대해 배치 크기 1024로 학습했을 때 메모리 사용량이 8GB 이하였으며, 1시간 이내에 10 에폭을 완료했다. 이는 라인그래프 생성이 O(|E|) 복잡도이며, 각 MVGNN 레이어가 선형 연산을 수행하기 때문이다. 대항적 강건성 실험에서는 (1) 거래 금액에 가우시안 노이즈를 추가, (2) 악의적인 공격자가 특정 패턴을 은폐하도록 엣지 방향을 뒤바꾸는 시나리오를 적용했다. LineMVGNN은 AUROC 감소폭이 1% 미만으로, 기존 모델 대비 2~3배 더 안정적인 성능을 보였다. 규제·설명 가능성 측면에서는 라인그래프 기반 흐름 추적 결과와 MVGNN의 엣지‑레벨 attention 가중치를 시각화함으로써, AML 담당자가 의심 거래와 그 연쇄 경로를 직관적으로 파악할 수 있다. 이는 규제 기관이 요구하는 ‘설명 가능한 AI’ 요건을 충족한다는 점에서 실무적 가치를 제공한다. 결론적으로, LineMVGNN은 (1) 두 방향 메시지 전달, (2) 다차원 엣지 특성 직접 활용, (3) 라인그래프를 통한 엣지‑투‑엣지 전파라는 세 가지 핵심 설계를 결합해 AML 탐지에 최적화된 공간 GNN을 구현했다. 실험 결과는 성능·효율·강건성·설명 가능성 모두에서 현존 최고 수준임을 입증한다. 향후 연구에서는 (a) 비동기식 라인그래프 업데이트, (b) 멀티모달 거래 데이터(텍스트 메모, 지리 정보) 통합, (c) 연합 학습을 통한 프라이버시 보호 등으로 확장할 여지가 있다. **