识别大规模电子支付网络中的非法账户：一种图表示学习方法

研究面向电子支付网络中的非法账户识别，提出端到端的 Graph Convolution Network（GCN）算法，学习大规模时变交易图的节点与边嵌入，再用于账户分类等下游图挖掘任务。基于摘要分析，未取得论文全文。 方法的核心是用图表示刻画账户持有者的用户背景与金融交易模式，将异常或可疑交易分析转化为基于图嵌入的账户识别。摘要明确涉及节点、边及图随时间演化的特征，但未说明时间信息如何编码、节点与边表示如何交互，以及具体监督信号、损失函数和训练流程，不能据此推断其采用了特定动态图架构。 作者报告，在两个实际电子支付交易数据集的账户分类任务中，Accuracy 分别为 94.62% 和 86.98%，并称优于 GraphSAGE、Gradient Boosting Decision Tree 与 Random Forest。摘要未提供数据集名称、划分方式、类别比例及各基线对应分数，因此这些结果尚不能用于判断跨时间泛化或类别不平衡条件下的识别能力。作者还报告，在另一项生物医学实体识别任务中，仅使用边相关信息达到 97.43% Accuracy；该任务的具体对象与评估协议未在摘要中说明，也不构成 EEG 或 BCI 有效性的证据。 复现时需核对图构建与时间切分、节点和边特征来源、标签定义、训练测试设置及基线配置；实验协议、消融及统计信息尚未验证。本文主要研究对象是支付交易网络，而非神经信号；材料不足以建立其方法与 EEG/BCI 瓶颈之间的具体对应关系，相关 EEG 工作尚未检索确认。