本文提出了一种从不同的链中提取特征的有效方法，并运用 XGBoost 和神经网络等机器学习方法用于识别欺诈账户，明确指出引入 DeFi 相关特征后，结果显著提高。

May, 2023

本文使用图形嵌入方法将信用卡交易的账户和商家实体嵌入到欧氏向量空间中，并展示了这些嵌入可以用于欺诈检测等机器学习业务应用。

Jul, 2019

通过使用可扩展的图神经网络，以子图级别编码关系信息，通过提供具有反洗钱犯罪活动相关子图的数据集，实现对加密货币中的洗钱行为进行形状学习和准确分类，为反洗钱和取证分析提供了潜在的新标准和直接实际价值。

Apr, 2024

本文提出了一种利用智能合约系统，从多个节点的本地人工神经网络模型获得中间表示并在主机节点上联合训练的机制，以在已分布的数据上进行深度学习模型训练（以银行贷款预测为例），从而避免共享和连接实际数据值。

Nov, 2020

本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色，以及加密货币所引入的假名化和开放数据等新问题，同时提出使用分类算法和图方法来预测和控制非法交易，并分享了一个被标记的比特币交易数据集以供进一步研究。

Jul, 2019

本文介绍了一种基于 VFL 框架的端到端 GRL 方法，称为 VESPER，它建立在一种通用的隐私保护方案（PMP）上，允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论，我们提出了针对稠密图和稀疏图的解决方案和改进方法。对公共数据集和行业数据集的大量实证评估表明，VESPER 能够在合理的隐私预算下训练高性能的 GNN 模型。

Oct, 2023

该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

Mar, 2022

利用机器学习在以太坊平台上检测金融机器人，建立了金融机器人分类，并提供关于当前机器人情况的额外见解。

Mar, 2024

本研究提出了 Grale 方法，通过融合不同的相似性度量来创建多种任务特定的同质化图，以解决图设计问题。我们在 Google 的 20 多个不同的工业设置中部署了 Grale，并且通过运用局部敏感哈希技术，大大减少了需要打分的节点对数量，从而在几小时内学习到任务特定的模型和对应的最近邻图。在研究中，我们将 Grale 应用于 YouTube 上的滥用分类问题，并发现它可以增加总召回率 89%。

Jul, 2020

我们强调遵从性和风险偏好对基金投资决策具有重要影响，并且开发了一种名为 MGDL 的新型多粒度图解缠结学习框架来有效地进行基金投资产品的智能匹配。

Nov, 2023