比特币中的反洗钱：用图卷积网络探索金融取证
社会与信息网络
2019-08-08 v1 计算机与社会
机器学习
综合金融
摘要
反洗钱（AML）法规在维护金融体系安全中起着关键作用，但给机构带来高成本，并导致社会经济与国际边缘群体被金融排斥。加密货币的出现引入了一个有趣的悖论：假名性使犯罪分子得以明目张胆地隐藏，但开放数据赋予了调查者更多权力，并实现了取证分析的众包。与此同时，学习算法的进展为 AML 工具箱带来巨大前景。在本研讨会教程中，我们论证了调和安全性事业与金融包容事业之机遇。我们贡献了 Elliptic 数据集，一个包含超过 20 万笔比特币交易（节点）、23.4 万条定向支付流（边）和 166 个节点特征（包括基于非公开数据的特征）的时间序列图；据我们所知，这是任何加密货币中公开可用的最大标注交易数据集。我们分享了使用逻辑回归（LR）、随机森林（RF）、多层感知机（MLP）和图卷积网络（GCN）的变体预测非法交易的二分类任务结果，其中 GCN 作为捕捉关系信息的崭新方法是特别受关注的对象。结果显示随机森林（RF）的优越性，但也引发结合 RF 与图方法各自优势的算法工作。最后，我们考虑用于分析与可解释性的可视化，鉴于真实世界交易图的规模与动态性这十分困难，我们提供了一个能够导航该图并观察非法活动上模型性能随时间变化的简单原型。借由本教程与数据集，我们希望 a) 征求对我们持续探究的反馈，并 b) 激励他人致力于这一具有社会重要性的挑战。
引用
@article{arxiv.1908.02591,
title = {Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics},
author = {Mark Weber and Giacomo Domeniconi and Jie Chen and Daniel Karl I. Weidele and Claudio Bellei and Tom Robinson and Charles E. Leiserson},
journal= {arXiv preprint arXiv:1908.02591},
year = {2019}
}
备注
7 pages, Tutorial in the Anomaly Detection in Finance Workshop at the 25th SIGKDD Conference on Knowledge Discovery and Data Mining