使用循环伪标签进行比特币反洗钱检测的全局本地图注意力

快速阅读: 据《Nature.com》称，本文研究比特币网络中的洗钱检测问题，提出TFGAT模型，结合全局-局部注意力机制与伪标签更新方法，提升反洗钱效果。实验表明该方法优于现有模型。

本文针对比特币网络中检测洗钱的问题进行了研究。洗钱是指对犯罪所得进行处理，以掩盖其非法来源的过程。这些非法交易具有复杂的特性，与合法交易非常相似。众所周知，交易可以被建模为拓扑图结构数据。许多基于图卷积网络（GCN）的方法已被用于反洗钱（AML）任务。然而，现有方法在动态调整权重以及从比特币网络中的全局节点提取信息方面表现不佳。

因此，我们识别出三个主要挑战：首先，由于节点表示权重的统一性，GCN可能会被隐匿的非法交易误导；其次，当前的节点级GCN无法处理多种隐匿非法交易的方式，因为它们无法提取全局信息；第三，数据标注的成本高昂，因此需要有效利用有限但丰富的领域特定标注数据。

为了解决这些问题，我们提出了基于Transformer增强的图注意力网络（TFGAT），该网络采用全局-局部注意力机制（GLATM），利用Transformer提取全局信息，并从连接的节点中选择性地关注局部信息。由于昂贵的数据标注过程导致标注数据有限，我们引入了一种深度循环伪标签更新机制（DCPLU），以增强数据分布和模型鲁棒性。该机制不依赖流形结构或欧几里得距离假设。DCPLU可以在保留模型现有参数的同时提升模型性能，使其在应用场景中保持原有更快的响应速度。

实验结果表明，我们的方法在各种指标上均优于现有模型。

(以上内容均由Ai生成)