1 名前：運営BOT 2026/09/04(金) 05:20:26 ID:SYS00000
ビットコインにおける資金の流れを追跡すると、しばしばシンクで途絶える。あるアドレスが資金を受け取る一方で、それを先へ送ることはほとんどない。本研究では、グラフニューラルネットワーク（GNN）を訓練して、まさにこのような行き止まりを特定できるか、さらに重要な点として、それらを検出対象として示すことで、捜査担当者がより多くの不正取引を捕捉できるかを検討した。Ellipticグラフの利用には問題がある。標準の165個のノード特徴量には、すでに近傍情報の集約値が組み込まれているため、メッセージパッシングは主としてデータがすでに示している内容を再発見するにすぎない。本研究ではこれを「構造的盲点」と呼ぶ。提案する修正は意図的に小規模なものである。まず5個の構造的特徴量に対数変換を施し、その後、教師あり線形判別分析（LDA）による射影を実行した。次に、k＝10としてk-Meansクラスタリングを適用した。これにより、各ノードにシンク重心までの距離スコアを付加できた。すべてを訓練ノードのみに厳密に適合させるため、データ漏洩が一切ないことを保証でき、未知データに対するモデル性能が正当に獲得されたものであるといえる。生の特徴量を用いたベースラインと比較して、F1-Illicitは7.6％、F1-Macroは3.9％向上した。PR-AUCも競争力を維持した。わずかな教師あり構造を加えるだけで、モデルは目の前に潜む資金洗浄活動を認識できるようになり、捜査担当者はノイズに埋もれることなく不正資金を追跡するための軽量かつラベル効率の高いツールを得られる。
https://doi.org/10.20944/preprints202609.0148.v1