HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling
Minjung Park, Gyuyeon Na, Soyoun Kim, Sunyoung Moon, HyeonJeong Cha, Sangmi Chai
异常的加密货币交易 - 如混合服务,欺诈性转移和泵和倾卸操作 - 给财务完整性带来了不断升级的风险,但由于类不平衡,时间波动和复杂的网络依赖性,仍然难以检测。 现有方法主要以模型为中心,在发生异常后,才会出现异常,从而提供有限的预防价值。 本文介绍了 HyPV-LEAD(Hyperbolic Peak-Valley Lead-time Enabled Anomaly Detection),这是一个数据驱动的预警框架,明确将铅时间纳入异常检测。 与之前的方法不同,HyPV-LEAD集成了三种创新:(1)窗口空间建模,以确保可操作的引导时间警报,(2)峰值谷(PV)采样,以减轻类失衡,同时保持时间连续性,(3)双曲嵌入以捕获区块链交易网络的分层和无尺度属性。 对大规模比特币交易数据的经验评估表明,HyPV-LEAD始终优于最先进的基线,实现了0.9624的PR-AUC,在精度和召回方面取得了重大进展。 消融研究进一步证实,每个组件 - PV采样,双曲线嵌入和结构-时间建模 - 都提供了互补的好处,完整的框架提供了最高的性能。 通过将异常检测从反应性分类转变为主动预警,HyPV-LEAD为动态区块链环境中的实时风险管理、反洗钱(AML)合规性和金融安全性奠定了坚实的基础。
Abnormal cryptocurrency transactions - such as mixing services, fraudulent transfers, and pump-and-dump operations – pose escalating risks to financial integrity but remain notoriously difficult to detect due to class imbalance, temporal volatility, and complex network dependencies. Existing approaches are predominantly model-centric and post hoc, flagging anomalies only after they occur and thus offering limited preventive value. This paper introduces HyPV-LEAD (Hyperbolic Peak-Valley Lead-time...
