基于感知聚类加权图（PCW-Graph）与注意力融合网络的点云质量评估方法研究及其在生物医学成像中的潜在应用

　　本文创新性地提出基于异构图变换器（Heterogeneous Graph Transformer, HGT）的以太坊钓鱼账户检测框架PDHG，通过构建包含账户、交易所和代币合约的多类型节点异构图网络，有效解决了传统同构图模型在信息异构性、运算效率与可解释性方面的局限。该研究采用自注意力机制整合节点嵌入、边嵌入和属性嵌入，并引入PDHGexplainer增强模型决策透明度，在AUC（96.04%）和召回率（89.87%）指标上显著优于现有方案，为区块链金融风控和生物医学数据安全分析提供了新范式。

　　

Highlight

本研究提出PDHG——首个将自注意力异构图变换器（HGT）与解释器整合的以太坊钓鱼检测框架，通过构建多类型节点（账户/交易所/代币合约）的异构图网络，突破传统同构模型局限。PDHGexplainer通过特征掩码与邻域掩码的双重解析，为检测结果提供直观解释。

Problem Statement

定义以太坊交易异构图G=(V,E)，其中节点v具有类型t(v)，将钓鱼检测建模为节点分类任务，区分钓鱼账户与合法账户。

Overview of PDHG

如图1所示，系统包含五大模块：交易图构建、子图采样、特征工程、检测器与解释器。首先从以太坊交易数据构建账户节点异构图，利用时间戳划分动态子图，提取多维特征后通过HGT编码器聚合异构信息，最终由解释器生成可读决策依据。

Experimental Evaluation

实验证明PDHG在三大钓鱼数据集上综合性能最优，异构参数化与时间建模对提升检测精度具有关键作用。

Detection of Ethereum Phishing Scams

现有方法分为两类：基于统计特征的浅层模型（如相关性特征筛选）与端到端深度学习模型。前者忽略拓扑结构，后者面临标注困难、可解释性差与泛化能力受限问题。

Conclusion

PDHG通过异构图构建与自注意力HGT网络实现了高精度钓鱼账户检测，其集成式解释框架为模型决策提供透明化支持，为金融风控与生物医学数据安全分析提供了新思路。