基于异质性自适应聚合与生成式过采样的加密货币异常检测框架

《Applied Sciences》：Similarity-Guided Graph Learning with Embedding-Space Oversampling for Anomaly Detection in Heterophilic Cryptocurrency Transaction Networks

　　

摘要

加密货币的快速发展导致了对非法交易活动异常检测的迫切需求。加密货币交易网络具有两个核心特征：类别不平衡和连接异质性。现有的异常检测方法容易导致异常节点特征过度平滑，对异常节点的召回率低，从而导致检测性能较差。尽管一些研究分别注意到了这些挑战，但仍然存在缺乏统一解决方案框架的问题。本文提出了一种专门为加密货币交易场景设计的加密货币异常检测框架。该框架由三个核心模块组成：异质性自适应聚合模块、基于生成的少数类过采样模块和集成异常检测分类器。异质性自适应聚合模块通过在节点嵌入学习过程中自适应调整相邻节点的聚合权重，使框架能够抵抗异质性噪声。基于生成的少数类过采样模块通过在嵌入空间中对少数类节点嵌入进行增强，以获得更平衡的类别分布。最后，使用集成异常检测分类器来预测检测结果。在多个加密货币交易数据集上的实验结果表明，所提出的框架显著优于传统机器学习方法和主流图神经网络模型。