该论文对敌对学习进行了现代综述，重点关注了对统计分类器攻击的防御，并对最近关于测试时间逃避，数据污染和反向工程攻击以及对策进行了综述，最后提出了一些未解决问题和未来工作方向。

Apr, 2019

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

提出了一个名为BERT4ETH的通用预训练Transformer编码器，可用于检测以太坊上的各种欺诈行为，该方法相较于当前研究使用的基于图形的欺诈检测方法，在处理高度重复，偏态分布和异构的以太坊交易方面具有更好的性能，并使用三种实用的有效策略来解决为以太坊预训练BERT模型所面临的挑战，BERT4ETH在钓鱼账户检测和去匿名任务方面表现出显着的改善。

Mar, 2023

本文探讨了对付欺诈检测系统的对抗攻击与对付其他机器学习应用的对抗攻击不同的原因，并就如何解决这一问题提出了建议。

Jul, 2023

金融领域中恶意攻击风险愈发上升，为了保护机器学习模型不受攻击，对对抗策略和强健的防御机制进行深入理解至关重要。本研究通过一项竞赛来调查基于序列金融数据的神经网络模型的对抗攻击和防御方法，并通过分析竞赛动态、实验证明了开发的攻击和防御方法在实际执行中的优越性，验证了竞赛作为发现和减轻机器学习模型漏洞的工具的有效性。

Aug, 2023

我们研究了在线金融市场中越来越重要的加密货币交易网络上的非法账户检测。我们提出了DIAM，这是一个新颖的多图神经网络模型，旨在有效地检测大型交易网络上的非法账户。通过将边属性和有向边序列依赖考虑在内，DIAM自动学习了有效的节点表示，并利用多图拓扑结构采用了新的多图差异（MGD）模块，通过设计良好的消息传递机制捕捉正常和非法节点之间的差异特征，从而在大量实验证明DIAM在准确检测非法账户方面始终表现最佳，同时具有高效性。

Sep, 2023

该研究针对以太坊上的前置交易攻击问题，提出了一种名为FRAD的新型检测方法，用于准确分类涉及交易位移、插入和压制的前置交易攻击，并通过实验证明，多层感知器（MLP）分类器在检测前置交易攻击方面达到了84.59%的准确率和84.60%的F1分数。

Nov, 2023

我们介绍了一种名为“Graph Feature Preprocessor”的软件库，用于实时检测金融交易图中的典型洗钱和欺诈模式。该库利用多核并行性，在内存中维护动态图，并高效地挖掘传入交易流中的子图模式，从而能够以流式方式操作。我们通过使用高度不平衡的合成反洗钱（AML）和现实生活中的以太坊钓鱼数据集对我们的库进行评估。结合我们的Graph Feature Preprocessor和基于梯度提升的机器学习模型，我们的解决方案能够以比标准图神经网络更高的少数类F1分数检测到这些非法交易。此外，我们的解决方案在多核CPU上的端到端吞吐量优于在强大的V100 GPU上执行的图神经网络基准。总体而言，我们的解决方案的高准确性、高吞吐量和低延迟展示了我们的库在实际应用中的实际价值。

Feb, 2024

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

本研究解决了Solidity智能合约中日益严重的安全漏洞问题，通过引入VulSmart数据集并开发SmartVD框架，评估大型语言模型在检测OWASP前十漏洞中的效果。研究发现，SmartVD在检测漏洞的准确性、类型识别和严重性评估方面优于其他开源和闭源模型，特别是在使用“思维链”提示策略时展现最佳性能。

Sep, 2024