論文の概要: When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift

• arxiv url: http://arxiv.org/abs/2604.19514v1
• Date: Tue, 21 Apr 2026 14:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.813865
• Title: When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift
• Title（参考訳）: グラフ構造が障害となるとき--時間分布シフトによるBitcoinフラッド検出のためのグラフニューラルネットワークの批判的再評価
• Authors: Saket Maganti,
• Abstract要約: 生の機能上のランダムフォレストは F1 = 0.821 に達し、評価されたすべての GNN を上回り、GraphSAGE は F1 = 0.689 +/- 0.017 に達する。 コード、チェックポイント、厳密なインダクティブプロトコルをリリースし、再現可能でリークのない評価を可能にします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The consensus that GCN, GraphSAGE, GAT, and EvolveGCN outperform feature-only baselines on the Elliptic Bitcoin Dataset is widely cited but has not been rigorously stress-tested under a leakage-free evaluation protocol. We perform a seed-matched inductive-versus-transductive comparison and find that this consensus does not hold. Under a strictly inductive protocol, Random Forest on raw features achieves F1 = 0.821 and outperforms all evaluated GNNs, while GraphSAGE reaches F1 = 0.689 +/- 0.017. A paired controlled experiment reveals a 39.5-point F1 gap attributable to training-time exposure to test-period adjacency. Additionally, edge-shuffle ablations show that randomly wired graphs outperform the real transaction graph, indicating that the dataset's topology can be misleading under temporal distribution shift. Hybrid models combining GNN embeddings with raw features provide only marginal gains and remain substantially below feature-only baselines. We release code, checkpoints, and a strict-inductive protocol to enable reproducible, leakage-free evaluation.
• Abstract（参考訳）: GCN、GraphSAGE、GAT、EvolveGCNがElliptic Bitcoin Datasetで機能のみのベースラインを上回っているというコンセンサスは広く引用されているが、漏洩のない評価プロトコルの下で厳格にストレステストされていない。 シードマッチングによるインダクティブ-リバース-トランスダクティブ比較を行い、このコンセンサスが成立しないことを示す。 厳密な帰納的プロトコルの下では、Random Forestの生の機能は F1 = 0.821 に達し、評価されたすべての GNN を上回り、GraphSAGE は F1 = 0.689 +/- 0.017 に達する。 ペア制御された実験では、39.5ポイントのF1ギャップが、テスト周期の隣接に対する訓練時間の露光に起因することが明らかになった。 さらに、エッジシャッフルアブレーションは、ランダムに配線されたグラフが実際のトランザクショングラフより優れており、データセットのトポロジが時間分布シフトの下で誤解を招く可能性があることを示している。 GNN埋め込みと生のフィーチャを組み合わせたハイブリッドモデルは、限界的な利得しか得られず、機能のみのベースラインをはるかに下回っている。 コード、チェックポイント、厳密なインダクティブプロトコルをリリースし、再現可能でリークのない評価を可能にします。

関連論文リスト

• Semi-Supervised Learning on Graphs using Graph Neural Networks [7.3886152750469]
  グラフニューラルネットワーク(GNN)は、半教師付きノード回帰において極めてうまく機能する。 本稿では,複数の共通メッセージパッシングアーキテクチャを含むアグリゲート・アンド・リードアウトモデルについて検討する。 我々は、誤差近似、収束、最適化を分離する急激な非漸近的リスク境界を証明した。
  論文  参考訳（メタデータ） (2026-02-19T06:25:13Z)
• How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks? [0.34546020643989767]
  グラフニューラルネットワーク(GNN)は、データとその複雑な関係を連続表現に符号化するための標準ツールとなっている。 センシティブなアプリケーションでの利用は、トレーニングデータの漏洩の可能性への懸念を引き起こしている。 GNNにおけるプライバシー漏洩の研究は、主に非グラフドメインからの発見によって形作られた。
  論文  参考訳（メタデータ） (2026-01-23T19:08:36Z)
• Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。 本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。 ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
  論文  参考訳（メタデータ） (2025-12-22T20:50:44Z)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• FRGNN: Mitigating the Impact of Distribution Shift on Graph Neural Networks via Test-Time Feature Reconstruction [13.21683198528012]
  分散シフトはグラフニューラルネットワーク(GNN)のテスト性能に悪影響を及ぼす可能性がある 特徴再構成を行うための汎用フレームワークFR-GNNを提案する。 特に、再構成されたノード機能は、よく訓練されたモデルをテストするために直接利用することができる。
  論文  参考訳（メタデータ） (2023-08-18T02:34:37Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Understanding Non-linearity in Graph Neural Networks from the Bayesian-Inference Perspective [33.01636846541052]
  グラフニューラルネットワーク(GNN)は、グラフよりも多くの予測タスクにおいて優位性を示している。 ノード分類タスクにおけるGNNにおける非線形性の関数について検討する。
  論文  参考訳（メタデータ） (2022-07-22T19:36:12Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)

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。