16、基于多关系图神经网络的加密货币反洗钱研究

基于多关系图神经网络的加密货币反洗钱研究

在加密货币交易中，金融欺诈尤其是洗钱行为的检测是一个重要且具有挑战性的任务。本文将介绍一种名为BitcoNN的多关系图神经网络框架，它在金融异常检测方面表现出色。

1. 合作关系的引入

为了更好地捕捉金融交易网络中的信息，引入了合作关系。合作关系的定义如下：
- (E_3 = {(v_i, v_j) | \exists(e_{ik}^1, e_{jk}^1), |t_{ik} - t_{jk}| \leq \delta})
- (E_4 = {(v_i, v_j) | \exists(e_{ki}^1, e_{kj}^1), |t_{ki} - t_{kj}| \leq \delta})

引入合作关系有两个原因：一是假设具有共同交易伙伴的节点会有更多相似性；二是通过包含合作边，可以呈现新颖且有意义的时间模式。时间模式是考虑序列和时间间隔提取的最小子图，用于捕捉动态网络中的细微信息。新提出的以节点为中心的双边时间模式(\nu)和(\nu’)由一个交易边和一个合作边构成，表明节点在资金扩散或收集交易中作为分支参与，与洗钱密切相关。

2. 表示嵌入

图构建完成后，BitcoNN通过图神经网络（GNN）方法训练节点的表示。为处理大型复杂网络，计算时仅使用固定数量邻居的信息。具体步骤如下：
1. 样本分配 ：设(S)是BitcoNN从所有关系中获取的样本总数，(R)是图中定义的关系数量，(N_r(v))是节点(v)在关系(r)中的邻居集。在第(k)个epoch，根据指定样本大小(s_r^{(k)})从关系(r)中进行子采样，初始时所有关系