グラフベースの不正検出手法は、グラフ構造データに豊富な関係情報が含まれていることから、近年注目を集めています。このような関係性情報は、不正行為者（ファウダス）の検出に有効である可能性があります。しかし、GNN（グラフニューラルネットワーク）に基づくアルゴリズムは、ノードのラベル分布が極端に偏っている場合、性能が著しく低下する傾向にあり、金融不正など敏感な分野ではこれが一般的です。このようなグラフベースの不正検出におけるクラス不均衡問題を改善するために、本研究では、不均衡な教師あり学習を対象とした「ピックアンドチョイス・グラフニューラルネットワーク（PC-GNN）」を提案します。まず、ラベルバランスを意識した独自のサンプラーを用いて、ノードとエッジを選び、ミニバッチ学習用の部分グラフを構築します。次に、各部分グラフ内のノードについて、提案する近傍サンプラーにより近傍候補を選びます。最後に、選択された近傍ノードおよび異なる関係性からの情報を集約し、対象ノードの最終的な表現を生成します。ベンチマークデータおよび実世界のグラフベース不正検出タスクにおける実験結果から、PC-GNNが最先端のベースライン手法を顕著に上回ることが明らかになりました。