15、基于图神经网络的加密货币反洗钱与图池化方法研究

基于图神经网络的加密货币反洗钱与图池化方法研究

一、MPool：基于 motifs 的图池化方法

1. 基线方法与实验设置

   • 基线方法 ：使用了五种图池化方法作为基线，其中 gPool 和 SAGPool 是基于选择的方法，MinCutPool（MCPool）、DiffPool 和 ASAP 是基于聚类的方法，还将 SAGPool 和 MCPool 模型组合成一个模型作为基线。
   • 实验设置 ：
     • 数据划分 ：将每个数据集的数据随机分为三部分，80%用于训练集，10%用于验证集，10%用于测试集，使用 10 个随机种子值进行 10 次划分。
     • 模型实现 ：使用 PyTorch 和 PyTorch Geometric 库实现模型，使用 Adam 优化器进行优化。
     • 超参数设置 ：节点表示大小为 128，学习率在 {1e–2, 5e–2, 1e–3, 5e–3, 1e–4, 5e–4} 中选择，权重衰减在 {1e–2, 1e–3, 1e–4, 1e–5} 中选择，池化比率在 {1/2, 1/4} 中选择，使用网格搜索找到最优超参数。
     • 训练终止条件 ：模型最多运行 100K 个 epoch，如果验证损失在 50 个 epoch 内没有改善，则提前停止。 </