本研究利用时间和金额特征，将以太坊交易记录建模成复杂网络，通过设计多种灵活的基于随机游走的图表征策略，证明了边的时间和多样性特征对于准确建模和理解以太坊交易网络是不可或缺的

Dec, 2020

本研究通过考虑交易网络的现实规则和特性，首先将以太坊交易网络建模为一个时态加权多重有向图，然后定义时间加权多重有向图嵌入问题，在节点分类实验中证明了该方法的有效性。

May, 2019

本文提出了一种基于时间交易聚合图网络（TTAGN）的以太坊欺诈检测技术，通过模拟节点之间历史交易记录来构建以太坊交易网络的边表示，将边上的表示聚合到节点表示中，然后结合统计和结构特征进行识别，该方法在真实的以太坊欺诈数据集上优于同类方法。

Apr, 2022

本研究通过将图卷积网络（GCNs）与时间随机游走（TRW）相结合，并借助概率抽样，来识别以太坊交易的复杂时间序列，从而提供更精细的交易异常检测机制。初步评估表明，我们的 TRW-GCN 框架在检测异常和交易突发事件方面显著提高了性能指标。此研究通过利用空间关系和基于时间的交易序列作为节点特征引入了更高层次的细粒度，使检测过程更健壮且不易产生误报，为未来优化和提高区块链技术透明度的研究奠定了基础。

Sep, 2023

该研究提出了一个适用于领域特定约束条件的框架（称为 FaSTMAN），以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性，使我们能够在更小而密集的网络流中分配复杂查询。最后，基于这些查询，我们可以有效地识别可疑流动的网络。在对来自多个大型欧洲银行的超过 10 亿个交易数据集进行了广泛评估后，结果表明我们的框架在效率和实用性上具有明显的优势。

Sep, 2023

本文提出了一种名为 STA-GT 的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

Jul, 2023

通过对 NFT 生态系统的时间图分析，研究了其特性、动态和潜在发展方向，并利用机器学习模型丰富现有数据集，为图数据社区提供了新的机会。

Oct, 2023

本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。

Aug, 2021

本文探讨了利用时间图网络（TGN）进行金融异常检测的技术，通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势，表明 TGN 在适应现代金融系统动态复杂性方面具有潜力，从而成为检测金融欺诈的有效工具。

Mar, 2024

TXRANK 是一种动态、实时的检测异常区块链交易的工具，它不依赖于预定义规则或模式，并通过实时 Intrusion Detection System 识别以太坊中的异常交易，从而在区块链交易分析领域做出了贡献。

Apr, 2023