روش های یادگیری ماشینی برای شناسایی پولشویی در بلاک چین بیت کوین در صورت کمبود برچسب

برای شناسایی فعالیت‌های پولشویی در بلاک‌چین بیت کوین، می‌توان از روش‌های یادگیری ماشینی استفاده کرد. اما اگر برچسب برای داده‌های آموزش موجود نباشد، باید از روش‌های یادگیری بدون نظارت استفاده کنیم که به عنوان یادگیری بدون نظارت شناخته می‌شوند.

یکی از روش‌های یادگیری بدون نظارت، روش خوشه‌بندی است. در این روش، داده‌ها براساس ویژگی‌های مشابه یا نزدیک به هم، در خوشه‌های مختلف قرار می‌گیرند. سپس با بررسی خوشه‌های مختلف، می‌توان فعالیت‌های مشکوک را شناسایی کرد.

یکی دیگر از روش‌های یادگیری بدون نظارت، روش شبکه‌های عصبی خودرمزگذار است. در این روش، داده‌ها با استفاده از یک شبکه عصبی، به یک فضای برداری با ابعاد کمتر تبدیل می‌شوند. سپس با استفاده از این فضای برداری، می‌توان فعالیت‌های مشکوک را شناسایی کرد.

علاوه بر این، می‌توان از روش‌های یادگیری نیمه نظارتی و یادگیری تقویتی نیز استفاده کرد. در یادگیری نیمه نظارتی، تعدادی از داده‌ها با برچسب موجود در اختیار قرار می‌گیرند و با استفاده از آن‌ها، برای داده‌های بدون برچسب، برچسب پیش‌بینی می‌شود. در یادگیری تقویتی، مدل با تجربه کردن محیط، بهبود می‌یابد و برای شناسایی پولشویی، می‌توان از این روش در تحلیل تراکنش‌های بلاک‌چین استفاده کرد.

به طور کلی، استفاده از روش‌های یادگیری بدون نظارت و یادگیری نیمه نظارتی و تقویتی، می‌تواند به شناسایی فعالیت‌های پولشویی در بلاک‌چین بیت کوین کمک کند، حتی در صورت کمبود برچسب.

Lorenz, Joana, Maria Inês Silva, David Aparício, João Tiago Ascensão, and Pedro Bizarro. "Machine learning methods to detect money laundering in the bitcoin blockchain in the presence of label scarcity." In Proceedings of the First ACM International Conference on AI in Finance, pp. 1-8. 2020.