グラフベースの不正検出は、重度のクラス不均衡、不正ノードの希少性に起因する接続の不一致、および良性ノードと見分けがつかない形で隠蔽された不正ノードといった重要な課題に直面している。従来の研究では、グラフニューラルネットワーク（GNN）における同質性仮説（homophily assumption）を強化するため、類似ノードのフィルタリングを採用することが多い。しかし、これらの課題を効果的に克服するためには、隣接ノードのラベルを区別し、状況に応じて適応的に利用することが不可欠である。本研究では、ラベル情報を積極的に活用することで不正検出性能を向上させる「ラベル探索型グラフニューラルネットワーク（Label-Exploring Graph Neural Network: LEX-GNN）」を提案する。本手法の核心的なアイデアは、メッセージの送受信方法がノードの種類に応じて異なるべきであるということである。具体的には、まずノードの初期または過去の表現に基づいてラベルを予測する。その後、各ノードはその不正である確率に応じて異なる処理を施したメッセージを送信する。最後に、ターゲットノードは、あらかじめ予測された不正確率に応じて、異なる形でメッセージを受け取る。実世界のベンチマークデータセットを用いた広範な実験結果から、LEX-GNNが既存の最先端手法を上回る性能を発揮することが示された。本研究の実装コードは、https://github.com/wdhyun/LEX-GNN にて公開されている。