基于区块链异常检测中图神经网络的归一化与初始化策略
机器学习
2026-03-02 v1
摘要
图神经网络（GNN）通过联合学习节点特征和交易图拓扑结构，为金融欺诈检测提供了原则方法。然而，其在现实反洗钱（AML）基准测试上的有效性关键依赖于训练实践，如特定的权重初始化和归一化策略，这些策略仍未得到充分探索。我们对三种 GNN 架构（GCN、GAT 和 GraphSAGE）在椭圆比特币数据集上的初始化和归一化策略进行系统性消融实验。我们的实验结果表明：初始化和归一化策略与架构密切相关：GraphSAGE 通过独立的 Xavier 初始化即可获得最佳性能，GAT 最受 GraphNorm 与 Xavier 初始化组合的益处，GCN 对这些修改敏感度有限。这些发现为在类别严重不平衡的数据集上部署 GNN 提供了实用的、针对架构的指导。我们发布了包含时间数据划分、随机种子运行以及完整消融结果的可复现实验框架。
引用
@article{arxiv.2602.23599,
title = {Normalisation and Initialisation Strategies for Graph Neural Networks in Blockchain Anomaly Detection},
author = {Dang Sy Duy and Nguyen Duy Chien and Kapil Dev and Jeff Nijsse},
journal= {arXiv preprint arXiv:2602.23599},
year = {2026}
}
备注
14 pages, 5 figures