深度分析
在無洩漏誘導式協定下:Random Forest 與 GNN 在 Elliptic 比特幣詐欺偵測的比較
本研究針對Elliptic比特幣交易資料集重新檢視圖神經網路評估流程。採用嚴格誘導式訓練並逐步報告每時間步表現,對比GraphSAGE、GAT、GCN與基於特徵的Random Forest與MLP。結果顯示在無洩漏的設定下,原始165維特徵與RandomForest勝過多數GNN,圖結構在資料稀疏且先驗轉移下甚至負面影響預測。作者釋出程式碼、檢查點與十種子實驗結果,供未來在無洩漏基準上檢驗與復現。