論文の概要: Characterizing and Detecting Money Laundering Activities on the Bitcoin
Network
- arxiv url: http://arxiv.org/abs/1912.12060v1
- Date: Fri, 27 Dec 2019 11:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 23:45:17.833171
- Title: Characterizing and Detecting Money Laundering Activities on the Bitcoin
Network
- Title（参考訳）: Bitcoinネットワークにおけるマネーロンダリング活動の特徴と検出
- Authors: Yining Hu, Suranga Seneviratne, Kanchana Thilakarathna, Kensuke
Fukuda, Aruna Seneviratne
- Abstract要約: 我々はBitcoinネットワーク全体で発生した資金洗浄活動の展望を探る。
3年以上にわたって収集されたデータを用いて、トランザクショングラフを作成し、さまざまなグラフ特性を分析して、マネーロンダリングトランザクションと通常のトランザクションを区別します。
資金洗浄とレギュラー取引を分類するために,4種類のグラフ特徴に基づく分類器のセットを提案し,評価する。
- 参考スコア（独自算出の注目度）: 8.212945859699406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bitcoin is by far the most popular crypto-currency solution enabling
peer-to-peer payments. Despite some studies highlighting the network does not
provide full anonymity, it is still being heavily used for a wide variety of
dubious financial activities such as money laundering, ponzi schemes, and
ransom-ware payments. In this paper, we explore the landscape of potential
money laundering activities occurring across the Bitcoin network. Using data
collected over three years, we create transaction graphs and provide an
in-depth analysis on various graph characteristics to differentiate money
laundering transactions from regular transactions. We found that the main
difference between laundering and regular transactions lies in their output
values and neighbourhood information. Then, we propose and evaluate a set of
classifiers based on four types of graph features: immediate neighbours,
curated features, deepwalk embeddings, and node2vec embeddings to classify
money laundering and regular transactions. Results show that the node2vec-based
classifier outperforms other classifiers in binary classification reaching an
average accuracy of 92.29% and an F1-measure of 0.93 and high robustness over a
2.5-year time span. Finally, we demonstrate how effective our classifiers are
in discovering unknown laundering services. The classifier performance dropped
compared to binary classification, however, the prediction can be improved with
simple ensemble techniques for some services.
- Abstract（参考訳）: Bitcoinは、ピアツーピア支払いを可能にする最も人気のある暗号通貨ソリューションだ。
ネットワークが完全な匿名性を提供していないことを示すいくつかの研究にもかかわらず、マネーロンダリング、ポンジスキーム、ランサムウェア支払いなど、様々な疑わしい金融活動に使われている。
本稿では,ビットコインネットワーク全体で発生するマネーロンダリング活動の展望について考察する。
3年間にわたって収集されたデータを用いて、トランザクショングラフを作成し、マネーロンダリングトランザクションと通常のトランザクションを区別するために、さまざまなグラフ特性の詳細な分析を行う。
マネーロンダリングとレギュラー取引の主な違いは、その出力値と近隣情報にあることがわかった。
次に,近辺,キュレートされた特徴,ディープウォーク埋め込み,node2vec埋め込みという4種類のグラフ特徴に基づく分類器を提案・評価し,マネーロンダリングと定期的なトランザクションを分類する。
node2vecベースの分類器は、平均精度92.29%、F1測定率0.93、2.5年で高い堅牢性に達するバイナリ分類において、他の分類器よりも優れていることを示す。
最後に、未知の洗浄サービスを発見する上で、分類器がいかに効果的かを示す。
分類器の性能はバイナリ分類に比べて低下したが、いくつかのサービスでは単純なアンサンブル技術によって予測が改善される。
関連論文リスト
- Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - Topology-Agnostic Detection of Temporal Money Laundering Flows in
Billion-Scale Transactions [0.03626013617212666]
本稿では,シーケンシャルトランザクションの時間グラフを効率的に構築するフレームワークを提案する。
我々は,不審な取引フローを検出するための2つの最先端ソリューションに対するフレームワークのスケーラビリティと有効性を評価する。
論文 参考訳（メタデータ） (2023-09-24T15:11:58Z) - Finding Money Launderers Using Heterogeneous Graph Neural Networks [0.0]
本稿では,大規模なヘテロジニアスネットワーク内のマネーロンダリング活動を特定するために,グラフニューラルネットワーク(GNN)アプローチを提案する。
我々は、MPNN(Message Passing Neural Network)と呼ばれる同種GNN法を拡張し、異種グラフ上で効果的に動作させる。
本研究は,異種グラフにおける情報の組み合わせにおいて,適切なGNNアーキテクチャを用いることの重要性を強調した。
論文 参考訳（メタデータ） (2023-07-25T13:49:15Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - Chainlet Orbits: Topological Address Embedding for the Bitcoin
Blockchain [15.099255988459602]
匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。
トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。
当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
論文 参考訳（メタデータ） (2023-05-18T21:16:59Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。
本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
論文 参考訳（メタデータ） (2022-01-11T21:31:18Z) - Supporting Financial Inclusion with Graph Machine Learning and Super-App
Alternative Data [63.942632088208505]
スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。
本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
論文 参考訳（メタデータ） (2021-02-19T15:13:06Z) - GuiltyWalker: Distance to illicit nodes in the Bitcoin network [1.7550798084784973]
本稿では,マネーロンダリングを検出する機械学習手法の性能を高めるために,グラフと過去のラベルの構造に基づく新機能を提案する。
我々の手法であるGuiltyWalkerは、bitcoinトランザクショングラフのランダムウォークを実行し、不正なトランザクションまでの距離に基づいて特徴を計算します。
論文 参考訳（メタデータ） (2021-02-10T10:29:13Z) - Machine learning methods to detect money laundering in the Bitcoin
blockchain in the presence of label scarcity [1.7499351967216341]
我々は、教師なし異常検出手法を用いた既存の最先端ソリューションが、実際のBitcoinトランザクションデータセットにおける不正なパターンを検出するのに不十分であることを示す。
提案するアクティブラーニングソリューションは, 5%のラベルを用いて, 完全に教師付きベースラインの性能を一致させることができる。
論文 参考訳（メタデータ） (2020-05-29T15:52:48Z) - Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-02-27T18:26:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。