融合图神经网络与循环网络，提升比特币交易异常检测精度。

Hybrid GCN-GRU Model for Anomaly Detection in Cryptocurrency Transactions

• 结合图结构与时间序列建模，捕捉交易网络的动态特征。
• 在真实数据上达到0.9470准确率与0.9807 AUC-ROC。
• 适合关注区块链安全与金融风控的研究者参考。

区块链交易网络具有复杂的动态演化模式和节点间关联关系。为检测非法活动，我们提出一种混合GCN-GRU模型，同时捕捉交易网络的结构特征与时间序列模式。基于2020至2024年真实的比特币交易数据，该模型在异常检测任务中取得0.9470的准确率与0.9807的AUC-ROC，优于所有基线方法。

原文摘要 · Abstract (English)

Blockchain transaction networks are complex, with evolving temporal patterns and inter-node relationships. To detect illicit activities, we propose a hybrid GCN-GRU model that captures both structural and sequential features. Using real Bitcoin transaction data (2020-2024), our model achieved 0.9470 Accuracy and 0.9807 AUC-ROC, outperforming all baselines.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。