优化区块链分析：使用基于Metropolis-Hastings随机游走的增量方法应对时间性和可扩展性
计算工程、金融与科学
2025-01-23 v1 机器学习
摘要
区块链技术在金融领域具有影响，以大规模交易网络的形式提供数据。分析交易网络有助于欺诈检测、市场分析，并支持政府监管。尽管有许多用于交易网络分析的图表示学习方法，我们指出了两个值得进一步研究的显著局限性。现有方法主要关注交易网络的快照，忽视了区块链交易网络的演化特性。现有方法可能没有充分强调高效的增量学习能力，这对于解决不断扩展的大规模交易网络中的可扩展性挑战至关重要。为了应对这些挑战，我们采用了一种增量方法进行交易网络中基于随机游走的节点表示学习。此外，我们提出了一种基于Metropolis-Hastings的随机游走机制以提高效率。在区块链交易数据集上进行的实证评估显示，在节点分类任务中性能相当，同时降低了计算开销。潜在应用包括交易网络监控、用于欺诈检测的区块链地址高效分类，或识别网络中的专门地址类型。
引用
@article{arxiv.2501.12491,
title = {Optimizing Blockchain Analysis: Tackling Temporality and Scalability with an Incremental Approach with Metropolis-Hastings Random Walks},
author = {Junliang Luo and Xue Liu},
journal= {arXiv preprint arXiv:2501.12491},
year = {2025}
}
备注
accepted at the 18th ACM International Conference on Web Search and Data Mining (ACM WSDM 2025)