当图结构成为负担：时间分布偏移下用于比特币欺诈检测的图神经网络批判性再评估
机器学习
2026-04-22 v1 人工智能
密码学与安全
社会与信息网络
摘要
GCN、GraphSAGE、GAT 和 EvolveGCN 在 Elliptic Bitcoin Dataset 上优于仅特征基线的共识被广泛引用，但尚未在无泄漏评估协议下进行严格的压力测试。我们进行了种子匹配的归纳与直推式比较，发现该共识并不成立。在严格的归纳协议下，基于原始特征的 Random Forest 达到了 F1 = 0.821，并优于所有评估的 GNN，而 GraphSAGE 达到了 F1 = 0.689 +/- 0.017。配对对照实验揭示了 39.5 个百分点的 F1 差距，这归因于训练期间暴露于测试期邻接矩阵。此外，边洗牌消融实验表明，随机连线的图优于真实的交易图，表明在时间分布偏移下该数据集的拓扑结构可能具有误导性。结合 GNN 嵌入与原始特征的混合模型仅提供了微小的增益，并且仍大大低于仅特征基线。我们发布了代码、检查点和严格的归纳协议，以实现可复现的无泄漏评估。
引用
@article{arxiv.2604.19514,
title = {When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift},
author = {Saket Maganti},
journal= {arXiv preprint arXiv:2604.19514},
year = {2026}
}
备注
Code to be released soon