DynBERG：面向金融欺诈检测的动态BERT基图神经网络

金融欺诈检测对于维护金融系统的完整性尤为重要，尤其是在去中心化环境如加密货币网络中。虽然图卷积网络（GCN）在金融欺诈检测中广泛使用，但图Transformer模型如Graph-BERT正因其基于Transformer的架构而日益受到关注，能够缓解过度平滑等问题。Graph-BERT设计用于静态图，主要在引用网络（具有无向边）上进行评估。然而，金融交易网络是内在的动态网络，具有不断演变的结构和表示货币流动的有向边。为此，我们提出DynBERG，这是一种新型架构，将Graph-BERT与门控循环单元（GRU）集成，以捕获多个时间步骤上的时间演化。此外，我们修改了底层算法以支持有向边，使DynBERG特别适用于动态金融交易分析。我们在包含比特币交易的Elliptic数据集上对我们的模型进行评估，其中包括暗市关闭这一重大加密货币市场事件期间的所有交易。通过评估DynBERG在该事件前后的韧性，我们分析其适应于影响交易行为的重大市场变迁的能力。我们的模型以最先进的动态图分类方法，如EvolveGCN和GCN为基准，显示出卓越的性能，在市场关闭前后分别超越EvolveGCN和GCN。此外，消融研究突出了纳入时间序列深度学习组件的关键作用，展示了GRU在建模金融交易时间动态方面的有效性。