關於問題領域：什麼是比特幣非法交易？

在比特幣交易網路中，「非法交易」(Illicit Transactions) 指的是涉及犯罪活動的資金流動，包括洗錢、勒索軟體支付、暗網市場交易、詐騙、恐怖主義融資等。這些交易利用比特幣的匿名性特點，試圖隱藏非法資金的來源和去向。對於金融監管機構和加密貨幣交易所而言，識別這些非法交易對於維護金融系統的完整性和合規性至關重要。

這為什麼和「圖」有關呢？
比特幣區塊鏈本質上就是一個交易圖網路。回想我們在課堂上討論的例子：兩筆交易可能有相似的金額和時間戳，但它們在整個交易網路中的模式卻可能完全不同。合法交易通常連接到已知的交易所或錢包服務，而非法交易往往形成特定的洗錢網路模式。

網路結構揭示交易模式。比特幣交易網路是一張巨大的「圖」，其中：
節點 (Nodes)：代表比特幣交易
邊 (Edges)：代表資金流向（從一筆交易流向另一筆交易）

圖神經網路 (GNN) 的強大之處，就在於它能從交易網路的拓撲結構中學習隱藏的資金流動模式。例如：
「混幣」行為：將非法資金分散到多個地址再匯集
「分層」模式：通過多層中間交易來掩蓋資金來源
「快速轉移」：異常頻繁的連續交易
這些複雜的網路模式很難用傳統的機器學習方法捕捉，但 GNN 可以有效地學習和識別這些模式。

任務詳解：節點分類 (Node Classification)

我們這次的任務是節點分類。這是圖學習中最常見的任務之一，目標是為圖中的每個節點（交易）預測其類別標籤。
在我們的 Elliptic 比特幣交易偵測任務中，模型需要：
分析每筆交易的 165 維特徵（包括交易金額、時間間隔、輸入輸出數量等區塊鏈資訊）
考慮該交易在整個資金流網路中的位置和連接模式

給出判斷：「這是合法交易」或「這是非法交易」
這個任務的挑戰在於：
標籤稀缺：只有約 23% 的交易有標籤，需要利用圖結構進行半監督學習
類別不平衡：非法交易僅佔已標記數據的約 10%
時序特性：需要用歷史數據預測未來，不能使用未來資訊