面向非法交易检测的时序方向树遍历图神经网络

《IEEE Transactions on Neural Networks and Learning Systems》：Temporal-Directional Tree-Walk Graph Neural Network for Illicit Transaction Detection

　　

摘要：

大规模金融网络中的非法交易表现为罕见、有方向性的时序模式，这对准确检测至关重要。然而，现有的基于图的方法往往忽略时序因果关系，未能充分利用有方向性的模式，或依赖于临时性的加权方法，从而限制了少数类识别。本文提出了一种时序-方向性树遍历图神经网络(TDTW-GNN)，这是一种面向连续时间动态图(CTDGs)上不平衡边分类的因果、模式感知框架。具体而言，TDTW-GNN通过时序图网络(TGN)骨干构建节点记忆，执行由多阶邻近度和Hawkes强度引导的时序、方向感知树采样，通过双分支变压器-主邻域聚合(PNA)网络利用修改的预排序树遍历(MPTT)编码层次结构，并融合流入/流出模式和节点嵌入进行分类，由混合Dice-焦点损失稳定。在以太坊钓鱼、国际商业机器(IBM)反洗钱(AML)和比特币Alpha上的实验显示了显著的少数类改进(例如，在以太坊钓鱼检测(ETH)上+34.9% F1 /+ 40.8% 精确率-召回率曲线下面积(PR-AUC)；在AML上+ 10.1% F1 /+ 2.5% PR-AUC)，以及在稀疏标签下稳健的性能(ETH 10%标签： F1 78.2%，PR-AUC 81.3%)。这些结果连同消融研究一起证明，TDTW-GNN能有效捕捉时序模式和有方向性的流量，显著增强了动态金融网络中的非法交易检测。