論文の概要: Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics
- arxiv url: http://arxiv.org/abs/2206.04803v1
- Date: Tue, 7 Jun 2022 16:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 23:05:37.462891
- Title: Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics
- Title（参考訳）: 異常暗号通貨のトランザクション検出:機械学習に基づく鑑識のaml/cft応用
- Authors: Nadia Pocher, Mirko Zichichi, Fabio Merizzi, Muhammad Zohaib Shafiq
and Stefano Ferretti
- Abstract要約: 我々は、機械学習、ネットワーク、およびトランザクショングラフ分析のインターネット・オブ・マネーへのアプリケーションに関する洞察を提供する。
すなわち、有向グラフネットワークとして表現されたBitcoinトランザクションの現実的なデータセットを分析した。
我々の主張では、AML/CFTドメインは機械学習における新しいグラフ解析手法の恩恵を受けることができる。
- 参考スコア（独自算出の注目度）: 5.617291981476445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rise of blockchain and distributed ledger technologies (DLTs) in the
financial sector has generated a socio-economic shift that triggered legal
concerns and regulatory initiatives. While the anonymity of DLTs may safeguard
the right to privacy, data protection and other civil liberties, lack of
identification hinders accountability, investigation and enforcement. The
resulting challenges extend to the rules to combat money laundering and the
financing of terrorism and proliferation (AML/CFT). As law enforcement agencies
and analytics companies have begun to successfully apply forensics to track
currency across blockchain ecosystems, in this paper we focus on the increasing
relevance of these techniques. In particular, we offer insights into the
application to the Internet of Money (IoM) of machine learning, network and
transaction graph analysis. After providing some background on the notion of
anonymity in the IoM and on the interplay between AML/CFT and blockchain
forensics, we focus on anomaly detection approaches leading to our experiments.
Namely, we analyzed a real-world dataset of Bitcoin transactions represented as
a directed graph network through various machine learning techniques. Our claim
is that the AML/CFT domain could benefit from novel graph analysis methods in
machine learning. Indeed, our findings show that the Graph Convolutional
Networks (GCN) and Graph Attention Networks (GAT) neural network types
represent a promising solution for AML/CFT compliance.
- Abstract（参考訳）: 金融セクターにおけるブロックチェーンと分散台帳技術(DLT)の台頭は、法的懸念と規制イニシアチブを引き起こした社会経済的な変化を引き起こしている。
DLTの匿名性は、プライバシやデータ保護、その他の市民の自由の権利を保護する可能性があるが、識別の欠如は、説明責任、調査、執行を妨げる。
結果として生じる課題は、資金洗浄とテロリズムと拡散(AML/CFT)の資金提供と戦うための規則にまで及んでいる。
法執行機関や分析会社がブロックチェーンエコシステム間の通貨追跡に法医学をうまく応用し始めている中で、この記事では、これらのテクニックの関連性の向上に焦点を当てる。
特に、機械学習、ネットワーク、トランザクショングラフ分析のインターネット・オブ・マネー(IoM)へのアプリケーションに関する洞察を提供する。
iomにおける匿名性の概念と、aml/cftとblockchain forensicsの相互作用を背景として、実験につながる異常検出アプローチに注目した。
すなわち、さまざまな機械学習技術を用いて、有向グラフネットワークとして表現されたBitcoinトランザクションの実際のデータセットを分析した。
我々の主張では、AML/CFTドメインは機械学習における新しいグラフ解析手法の恩恵を受けることができる。
実際、グラフ畳み込みネットワーク(gcn)とグラフアテンションネットワーク(gat)のニューラルネットワークタイプは、aml/cft準拠の有望なソリューションであることが示された。
関連論文リスト
- Review of blockchain application with Graph Neural Networks, Graph Convolutional Networks and Convolutional Neural Networks [0.0]
本稿では、ブロックチェーン技術におけるグラフニューラルネットワーク(GNN)、グラフ畳み込みニューラルネットワーク(GCN)、および畳み込みニューラルネットワーク(CNN)の適用についてレビューする。
論文 参考訳（メタデータ） (2024-10-01T17:11:22Z) - Graph Network Models To Detect Illicit Transactions In Block Chain [0.0]
暗号通貨は マネーロンダリングのような違法な活動を 増加させています
残差ネットワーク型アーキテクチャ(GAT-ResNet)を用いたグラフアテンションネットワークの適用により,この問題に対処する新しい手法を提案する。
以上の結果から,GAT-ResNetモデルが既存のグラフネットワークモデルよりも精度,信頼性,スケーラビリティに優れる可能性が示唆された。
論文 参考訳（メタデータ） (2024-09-23T04:38:44Z) - Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。
コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文 参考訳（メタデータ） (2024-07-15T16:12:51Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - 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) - 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) - Motif-aware temporal GCN for fraud detection in signed cryptocurrency
trust networks [8.82136716762572]
グラフ畳み込みネットワーク(GCN)はグラフとして表現可能なデータ処理に使用される。
本研究では,暗号ネットワークの進化的性質を考察し,局所構造とバランス理論を用いてトレーニングプロセスの導出を行う。
bitcoin-alphaとbitcoin-otcデータセットの実験的結果は、提案されたモデルが文献上のモデルより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-22T02:03:27Z) - Blockchain Phishing Scam Detection via Multi-channel Graph
Classification [1.6980621769406918]
フィッシング詐欺検出方法は、被害者を保護し、より健全なブロックチェーンエコシステムを構築する。
ユーザのためのトランザクションパターングラフを定義し,フィッシング詐欺検出をグラフ分類タスクに変換する。
提案したマルチチャネルグラフ分類モデル(MCGC)は,対象ユーザのトランザクションパターンの特徴を抽出することにより,潜在的なフィッシングを検出することができる。
論文 参考訳（メタデータ） (2021-08-19T02:59:55Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - Identity Inference on Blockchain using Graph Neural Network [5.5927440285709835]
アカウントのアイデンティティに関する事前推論を目的としたアイデンティティ推論は、ブロックチェーンセキュリティにおいて重要な役割を果たします。
本稿では,id推論タスクをグラフ分類パターンに変換するトランザクションサブグラフの観点から,ユーザの行動を解析するための新しい手法を提案する。
また、$textI2 textBGNN$という汎用的なエンドツーエンドグラフニューラルネットワークモデルを提案し、サブグラフを入力として受け入れ、トランザクションサブグラフパターンをアカウントアイデンティティにマッピングする関数を学ぶことができる。
論文 参考訳（メタデータ） (2021-04-14T00:15:38Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。