La tecnología blockchain ha generado un flujo de datos de transacciones e interacciones complejas, lo que plantea desafíos significativos para los métodos tradicionales de aprendizaje automático, que luchan por capturar patrones de alta dimensionalidad en las redes de transacciones. En este documento, presentamos la red convolucional de grafos prototípicos desentrañados (DP-GCN), un enfoque innovador para la clasificación de cuentas en registros de transacciones de Ethereum. Nuestro método emplea un mecanismo de desentrañamiento único que aísla características relevantes, mejorando el reconocimiento de patrones dentro de la red. Además, aplicamos prototipado a representaciones desentrañadas, para clasificar nodos de estafa de manera robusta, a pesar de los desequilibrios extremos de clases. Empleamos además una estrategia de aprendizaje conjunta, combinando pérdida de tripletes y pérdida prototípica con un coeficiente gamma, logrando un equilibrio efectivo entre ambos. Los experimentos en datos reales de Ethereum muestran el éxito de nuestro enfoque, ya que el DP-GCN obtuvo una mejora en la puntuación F1 del 32.54% sobre el modelo GCN de mejor rendimiento anterior y una mejora del área bajo la curva ROC (AUC) del 4.28% al incorporar nuestro novedoso concepto de prototipado desentrañado. Nuestra investigación destaca la importancia de técnicas avanzadas para detectar actividades maliciosas dentro de transacciones de criptomonedas del mundo real a gran escala.