Multi‐Distance Spatial‐Temporal Graph Neural Network for Anomaly Detection in Blockchain Transactions

This article presents MDST‐GNN, a multi‐distance spatial‐temporal graph neural network for blockchain anomaly detection. To address challenges in detecting fraudulent cryptocurrency transactions, MDST‐GNN integrates a multi‐distance graph convolutional architecture with adaptive temporal modeling, enabling capture of both local and global spatial dependencies while inferring patterns from anonymized temporal data. The model incorporates self‐supervised learning to enhance generalization ability. Experiments on the Elliptic dataset demonstrate MDST‐GNN's superior performance over state‐of‐the‐art methods, achieving improvements of 1.5% in AUC‐ROC and 2.9% in AUC‐PR. The model's robustness to temporal granularity and effectiveness in identifying suspicious transactions underscore its practical value for blockchain forensics.

Angaben zum Objekt

• Standort: Deutsche Nationalbibliothek Frankfurt am Main
• Umfang: Online-Ressource
• Sprache: Englisch

Verweise und Beziehungen

• Erschienen in: Multi‐Distance Spatial‐Temporal Graph Neural Network for Anomaly Detection in Blockchain Transactions ; day:30 ; month:01 ; year:2025 ; extent:14 ; Advanced intelligent systems ; (30.01.2025) (gesamt 14)

Beteiligte, Orts- und Zeitangaben

• Urheber: Chen, Shiyang ; Liu, Yang ; Zhang, Qun ; Shao, Zhouhang ; Wang, Zewei

Weitere Informationen

• DOI: 10.1002/aisy.202400898
• URN: urn:nbn:de:101:1-2501311309206.945781578438
• Rechteinformation: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Letzte Aktualisierung: 15.08.2025, 07:33 MESZ