HyPV-LEAD：通过数据驱动的结构-时间建模实现加密货币异常主动早期预警
机器学习
2025-09-04 v1 人工智能
风险管理
摘要
异常加密货币交易——如混币服务、欺诈转账和拉高出货操作——对金融完整性构成日益加剧的风险，但由于类别不平衡、时间波动性和复杂的网络依赖性而极难检测。现有方法主要是以模型为中心的事后方法，仅在异常发生后发出警报，因此预防价值有限。本文提出了HyPV-LEAD（Hyperbolic Peak-Valley Lead-time Enabled Anomaly Detection），一种将提前期明确纳入异常检测的数据驱动早期预警框架。与先前方法不同，HyPV-LEAD集成了三项创新：（1）窗口视界建模以保证可操作的提前期警报，（2）峰值-谷值（PV）采样以缓解类别不平衡同时保持时间连续性，（3）双曲嵌入以捕捉区块链交易网络的层次化和无标度特性。在大规模比特币交易数据上的实证评估表明，HyPV-LEAD持续优于最先进基线，达到PR-AUC为0.9624，在精确率和召回率上均有显著提升。消融研究进一步证实每个组件——PV采样、双曲嵌入和结构-时间建模——提供了互补效益，完整框架实现了最高性能。通过将异常检测从反应性分类转向主动早期预警，HyPV-LEAD为动态区块链环境中的实时风险管理、反洗钱（AML）合规和金融安全奠定了坚实基础。
引用
@article{arxiv.2509.03260,
title = {HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling},
author = {Minjung Park and Gyuyeon Na and Soyoun Kim and Sunyoung Moon and HyeonJeong Cha and Sangmi Chai},
journal= {arXiv preprint arXiv:2509.03260},
year = {2025}
}