基于量子灵感特征选择的比特币地址高效分类

记录了超过9亿笔比特币交易，给机器学习在计算时间和保持预测准确性方面带来了 considerable 挑战。我们提出了一种创新方法，利用模拟退火和量子退火实现的量子灵感算法，以解决解空间中局部极小值问题。该方法高效地识别与混合器地址相关的关键特征，显著减少模型训练时间。通过将比特币地址分为六类（交易所、水龙头、赌博、市场、混合器和矿池），并应用监督学习方法，我们的结果显示，使用随机森林模型时，基于SA（Simulated Annealing）的特征选择将训练时间缩短了30.3%，同时保持91%的混合器地址F1分数。这一发现凸显了量子灵感算法在基于交易特征快速准确识别高风险比特币地址方面的潜力。