Sep, 2023

概率采样增强时空 GCN：以太坊网络中交易异常检测的可扩展框架

PDF
TL;DR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。
ethereumgraph neural networksanomaly detectiontemporal random walkstransactional patterns
发现论文，激发创造
  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 基于时空感知图变换器的交易欺诈检测

    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

  • 金融网络中的图异常检测的时态图网络

    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

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • TSSRGCN: 用于交通流量预测的时间 - 频谱 - 空间检索图卷积网络

    该论文提出了一种基于神经网络模型的交通流预测方法，该方法可以提取交通流数据的空间和时间信息，进而通过结合两种图卷积网络方法来学习节点和边的表示，并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势，实验结果表明该模型可以更好地预测交通流，并适应不同的时态交通模式。

    Nov, 2020

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 利用图注意力网络和强化学习分析以优化网络效率和可扩展性的以太坊网络信息传播

    该研究提出了一种创新方法，利用图卷积网络（GCNs）分析以太坊网络中的信息传播模式，通过开发结合图注意力网络（GAT）和强化学习（RL）的模型以优化网络效率和可扩展性，从而实现信息在网络中的有效传播，优化区块处理的燃气限制并提高网络效率。

    Nov, 2023

  • TTAGN: 经时交易聚合图网络用于以太坊钓鱼诈骗检测

    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

  • 基于骨架的动作识别的时序图建模

    本篇文章介绍了一种称之为 Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

    Dec, 2020