极度标签稀缺下加密异常检测的知识集成表示学习：基于检索接地上下文与路径级解释的关系域逻辑集成
机器学习
2026-01-21 v1 风险管理
摘要
在去中心化加密网络中检测异常轨迹受到极度标签稀缺与非法行为者自适应规避策略的根本性挑战。虽然图神经网络（GNN）能有效捕获局部结构模式，但它们难以内化多跳、逻辑驱动的模体（如表征复杂洗钱的资金分散与分层），这限制了它们在 FATF 旅行规则等法规下的法证问责能力。为解决这一局限，我们提出了关系域逻辑集成（RDLI），这是一个将专家衍生的启发式规则作为可微、逻辑感知的潜在信号嵌入表示学习的框架。与静态基于规则的方法不同，RDLI 能够检测逃避标准消息传递的复杂交易流。为进一步考虑市场波动性，我们引入了检索接地上下文（RGC）模块，该模块以监管和宏观经济环境为条件对异常评分进行调节，从而缓解由良性机制转变引起的误报。在极度标签稀缺（0.01%）下，RDLI 在 F1 分数上比 SOTA GNN 基线高出 28.9%。一项微型专家用户研究进一步证实，与现有方法相比，RDLI 的路径级解释显著提高了可信度、感知有用性和清晰度，突显了将域逻辑与上下文接地集成对于准确性和可解释性的重要性。
引用
@article{arxiv.2601.12839,
title = {Knowledge-Integrated Representation Learning for Crypto Anomaly Detection under Extreme Label Scarcity; Relational Domain-Logic Integration with Retrieval-Grounded Context and Path-Level Explanations},
author = {Gyuyeon Na and Minjung Park and Soyoun Kim and Jungbin Shin and Sangmi Chai},
journal= {arXiv preprint arXiv:2601.12839},
year = {2026}
}
备注
Gyuyeon Na, Minjung Park, Soyoun Kim contributed equally to this work