面向改进的有标记-无标记学习的非法节点检测
机器学习
2023-07-25 v2
摘要
在区块链网络上检测非法节点是强化未来监管的一项有价值任务。近期提出的基于机器学习的方法利用了一些区块链交易数据集，其中一小部分样本被标记为正类，其余为无标记（PU）。尽管某些工作使用了无标记节点为正常节点的随机采样假设，我们讨论指出，隐藏正类的标记机制假设及其对评估指标的影响值得考量。我们进一步探究发现，处理潜在隐藏正类的 PU 分类器相比常规机器学习模型可取得更优性能。我们使用一系列图表示学习方法测试 PU 分类器，以对同一数据获取不同特征分布，从而得到更可靠的结果。
引用
@article{arxiv.2303.02462,
title = {Towards Improved Illicit Node Detection with Positive-Unlabelled Learning},
author = {Junliang Luo and Farimah Poursafaei and Xue Liu},
journal= {arXiv preprint arXiv:2303.02462},
year = {2023}
}
备注
accepted at the 5th edition of the IEEE International Conference on Blockchain and Cryptocurrency (ICBC 2023)