Dans cet article, nous proposons un réseau d'attention graphique sensible au temps (ATGAT) pour traiter les schémas de transactions complexes et les problèmes graves de déséquilibre de classe dans la détection des fraudes aux transactions de cryptomonnaies. ATGAT utilise un module d'intégration temporelle avancé qui fusionne des caractéristiques de différence temporelle multi-échelle et un codage de position périodique, un mécanisme de triple attention sensible au temps qui optimise conjointement l'attention contextuelle structurelle, temporelle et globale, et une perte BCE pondérée pour traiter le déséquilibre de classe. Les résultats expérimentaux sur le jeu de données Elliptic++ montrent qu'ATGAT atteint une AUC de 0,9130, soit 9,2 % de mieux que la méthode de pointe précédente XGBoost, 12,0 % de mieux que GCN et 10,0 % de mieux que GAT standard. Cela démontre que les mécanismes de triple attention et de sensibilité au temps améliorent efficacement les performances des réseaux de neurones graphiques, offrant ainsi un outil de détection de fraude plus fiable aux institutions financières. Les principes de conception de notre méthode peuvent être généralisés à d'autres tâches de détection d'anomalies de graphes temporels.
