欧几里得与双曲图神经网络在比特币交易系统上的深度感知比较研究
机器学习
2026-03-18 v1
摘要
比特币交易网络是大规模的社会技术系统，其中活动通过多跳交互模式来表示。图神经网络（GNNs）已成为分析此类系统的广泛采用工具，支持实体检测和交易分类等任务。像Elliptic这样的大规模数据集促进了这些系统分析的兴起，以及欺诈检测等任务的发展。在这些场景中，每个节点可用的交易上下文量由邻域聚合和采样策略决定，然而这些感受野与嵌入几何之间的相互作用受到的关注有限。在本工作中，我们对欧几里得和切空间双曲GNN在大型比特币交易图上的节点分类任务进行了受控比较。通过显式改变邻域大小同时保持模型架构和维度固定，我们分析了两种嵌入空间中的差异。我们进一步检查了优化行为，并观察到学习率和曲率的联合选择在稳定高维双曲嵌入中起着关键作用。总的来说，我们的研究结果为建模大规模交易网络时嵌入几何和邻域深度的作用提供了实用见解，为双曲GNN在计算社会系统中的部署提供了信息。
引用
@article{arxiv.2603.16080,
title = {A Depth-Aware Comparative Study of Euclidean and Hyperbolic Graph Neural Networks on Bitcoin Transaction Systems},
author = {Ankit Ghimire and Saydul Akbar Murad and Nick Rahimi},
journal= {arXiv preprint arXiv:2603.16080},
year = {2026}
}