一、基于区块链的异常检测算法研究
1、概述：设计了一种基于深度图信息增强的异常检测算法，旨在解决数据集庞大以及正负样本比例极不均衡的问题，增强现有方法的可扩展性。
2、工具：networkx、pytorch、sklearn、numpy、pandas等；
3、特征提取与构建：针对区块链场景下的数据特点，设计并采用置信度子图提取方法，从网络图中提取用户特征，有效解决了数据正负样本不均衡问题。
4、模型设计与优化： 通过自监督对比学习方法，使模型学习到数据中的差异化信息，提高了模型的泛化能力。针对模型中对比学习设计正向样本集和负向样本集，丰富了样本的特征；最终引入残差图神经网络，提高了模型的训练效率和稳定性。
5、异常用户检测：对构建的数据结构进行信息挖掘，挖掘地址底层特征，最终利用微调后的模型对未知用户进行检测，实现对平台中异常行为的有效识别。
6、结果：构建了基于图网络的事务节点网络图，为后续特征提取和模型训练奠定了基础；解决了数据庞大以及不均衡的问题，实验证明了提出的模型具备有效的性能和泛化能力；设计的模型及采样策略在异常检测任务和均衡数据账户识别任务中具有实际应用价值，为解决以太坊钓鱼问题提供了新的思路和方法。

二、基于多卷积神经网络协作模型的图像分类算法
1、概述：设计了一种基于多卷积神经网络的协作模型，通过提取图像的多维特征并融合网络输出结果，削弱复杂光照对图像分类性能的影响，显著提升分类精度和鲁棒性。
2、技术及工具：pytorch、OpenCV、PCA、LBP、HOG等；
3、多通路特征提取及数据集预处理：引入多个图像特征提取方式，每个特征提取方式专注于从不同尺度或特征空间中提取信息，再对提取到的特征进行聚类后形成相应特征类型的簇；
4、多模型协作机制：通过特定的特征融合和决策机制，让多个子网络（AlexNet、VGG、GoogleNet等）对上述特征簇输出结果，再利用反向传播调整智能体选取的权重参数，从而提升分类性能；
5、优化：在特征提取后引入聚类，有效提升了算法效率和时间复杂度方面的性能；在中间层引入辅助分类器，解决梯度消失问题，提升模型鲁棒性；
6、结果：基于多智能体协作的思想提出了一个多卷积神经网络协作模型，实验结果证明了在复杂光照下比传统方法具有更好的分类精度和鲁棒性。