論文の概要: A Depth-Aware Comparative Study of Euclidean and Hyperbolic Graph Neural Networks on Bitcoin Transaction Systems

• arxiv url: http://arxiv.org/abs/2603.16080v1
• Date: Tue, 17 Mar 2026 02:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.079993
• Title: A Depth-Aware Comparative Study of Euclidean and Hyperbolic Graph Neural Networks on Bitcoin Transaction Systems
• Title（参考訳）: Bitcoinトランザクションシステムにおけるユークリッドと双曲グラフニューラルネットワークの深度を考慮した比較研究
• Authors: Ankit Ghimire, Saydul Akbar Murad, Nick Rahimi,
• Abstract要約: 我々は,大規模なBitcoinトランザクショングラフ上でノード分類を行うために,ユークリッドと接空間双曲型GNNの比較を行う。 本研究は,大規模トランザクションネットワークのモデル化における埋め込み幾何学と周辺深度の役割について,実用的な知見を提供する。
• 参考スコア（独自算出の注目度）: 2.5489046505746704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bitcoin transaction networks are large scale socio- technical systems in which activities are represented through multi-hop interaction patterns. Graph Neural Networks(GNNs) have become a widely adopted tool for analyzing such systems, supporting tasks such as entity detection and transaction classification. Large-scale datasets like Elliptic have allowed for a rise in the analysis of these systems and in tasks such as fraud detection. In these settings, the amount of transactional context available to each node is determined by the neighborhood aggregation and sampling strategies, yet the interaction between these receptive fields and embedding geometry has received limited attention. In this work, we conduct a controlled comparison of Euclidean and tangent-space hyperbolic GNNs for node classification on a large Bitcoin transaction graph. By explicitly varying the neighborhood while keeping the model architecture and dimensionality fixed, we analyze the differences in two embedding spaces. We further examine optimization behavior and observe that joint selection of learning rate and curvature plays a critical role in stabilizing high-dimensional hyperbolic embeddings. Overall, our findings provide practical insights into the role of embedding geometry and neighborhood depth when modeling large-scale transaction networks, informing the deployment of hyperbolic GNNs for computational social systems.
• Abstract（参考訳）: Bitcoinトランザクションネットワークは、マルチホップインタラクションパターンによってアクティビティが表現される大規模な社会技術システムである。 グラフニューラルネットワーク(GNN)は、エンティティ検出やトランザクション分類といったタスクをサポートし、そのようなシステムを分析するために広く採用されているツールである。 Ellipticのような大規模なデータセットは、これらのシステムの分析や不正検出などのタスクの増加を可能にしている。 これらの設定では、各ノードに利用可能なトランザクションコンテキストの量は、近隣の集約とサンプリング戦略によって決定されるが、これらの受容場と埋め込み幾何学との相互作用は、限定的な注目を集めている。 本研究では,大規模なBitcoinトランザクショングラフ上でノード分類を行うために,ユークリッドと接空間双曲型GNNの制御比較を行う。 モデル構造と次元を固定したまま近傍を明示的に変化させることで、2つの埋め込み空間の違いを分析する。 さらに, 学習速度と曲率の連成選択が高次元双曲埋め込みの安定化に重要な役割を担っていることを考察した。 本研究は,大規模トランザクションネットワークのモデル化における埋め込み幾何学と周辺深度の役割に関する実践的な知見を提供し,計算社会システムへの双曲型GNNの展開を知らせるものである。

関連論文リスト

• Interpreting Manifolds and Graph Neural Embeddings from Internet of Things Traffic Flows [1.8510825807956957]
  この研究は、高次元埋め込みを潜在多様体にマッピングすることで、直接視覚化可能な低次元表現を生成する解釈可能なパイプラインを導入する。 このフレームワークは、侵入検知のための0.830の分類F1スコアを達成し、概念ドリフトのような現象も強調する。
  論文  参考訳（メタデータ） (2026-02-05T16:08:24Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Representation Learning on Large Non-Bipartite Transaction Networks using GraphSAGE [0.9415859226090767]
  本稿では,グラフニューラルネットワークフレームワークであるGraphSAGEの,銀行業務における不均質なトランザクションネットワークへの実践的応用について述べる。 匿名化された顧客および商取引を用いて取引ネットワークを構築し、ノード埋め込みを生成するためにGraphSAGEモデルを訓練する。 私たちの研究は、銀行規模のネットワークへのこのフレームワークの適用性を強調し、インダクティブな能力、スケーラビリティ、解釈可能性を強調します。
  論文  参考訳（メタデータ） (2025-09-12T14:09:16Z)
• Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
  グラフ機械学習のための総合的なベンチマークフレームワークを導入する。 我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。 その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
  論文  参考訳（メタデータ） (2024-06-04T20:40:06Z)
• Sifting out communities in large sparse networks [2.666294200266662]
  大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。 この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。 数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
  論文  参考訳（メタデータ） (2024-05-01T18:57:41Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。