17、加密货币反洗钱与表格数据反事实解释框架

加密货币反洗钱与表格数据反事实解释框架

加密货币反洗钱研究

在加密货币领域，反洗钱（AML）面临着诸多挑战，如节点特征缺失、极端的类别不平衡以及大规模的加密货币数据。不过，有一种基于多关系图神经网络（Multi - Relational GNN）的研究方法，为解决这些问题带来了新的思路。

方法特点

• 创新元素运用 ：该方法利用了新型的时间模式、消息聚合方法以及边特征。这些创新元素有助于更好地处理加密货币数据的复杂特性。
• 自适应邻居采样 ：自适应邻居采样器能够在控制计算成本的同时，高效地引用更多邻居节点，从而提高模型的性能。

应用前景

此研究有望应用于实际的调查场景，为反洗钱工作和健康的加密货币生态系统做出贡献。

表格数据反事实解释框架CeFlow

研究背景

机器学习在多个科学和技术领域取得了显著进展，可解释机器学习作为其中的一个子领域，旨在为机器学习模型的判断提供高质量的解释。反事实解释（CE）是可解释机器学习中一种突出的基于示例的方法，它通过改变特征来改变模型预测，从而生成反事实样本用于解释和理解模型。

现有方法的局限性

近期的反事实解释研究大多使用变分自编码器（VAE）作为生成模型，但存在一些明显的局限性：
- 生成速度慢 ：反事实样本的生成过程极为缓慢，这使得算法难以在交互式环境中部署。
- 结果不稳定 ：由于VAE采样过程的