使用量子启发图神经网络与集成模型的区块链网络分析
机器学习
2025-08-14 v1 量子物理
摘要
在快速演进的金融科技领域，区块链网络中非法交易的检测仍是一项关键挑战，需要稳健且创新的解决方案。本工作提出了一种新颖的方法，将量子启发图神经网络（QI-GNN）与使用QBoost的集成模型或经典模型（如Random Forest Classifier）的灵活性选择相结合。该系统专为反洗钱（AML）工作中的区块链网络分析而设计。我们设计该系统的方法论引入了一个新颖组件——图神经网络框架内的Canonical Polyadic（CP）分解层，增强了其高效处理与分析复杂数据结构的能力。我们的技术方案经过与经典机器学习实现的严格评估，在检测欺诈交易方面达到了74.8%的F2分数。这些结果突显了量子启发技术辅以CP层的结构改进，不仅能够匹敌甚至有可能超越传统方法在金融安全复杂网络分析中的表现。研究结果倡导在金融领域更广泛地采用并进一步探索量子启发算法，以有效打击欺诈。
引用
@article{arxiv.2508.09237,
title = {Blockchain Network Analysis using Quantum Inspired Graph Neural Networks & Ensemble Models},
author = {Luigi D'Amico and Daniel De Rosso and Ninad Dixit and Raul Salles de Padua and Samuel Palmer and Samuel Mugel and Román Orús and Holger Eble and Ali Abedi},
journal= {arXiv preprint arXiv:2508.09237},
year = {2025}
}