Los puntos clave no están disponibles para este artículo en este momento.
Las regulaciones contra el lavado de dinero (AML) juegan un papel crítico en la protección de los sistemas financieros, pero implican altos costos para las instituciones y generan exclusión financiera para aquellos en los márgenes socioeconómicos e internacionales. La llegada de las criptomonedas ha introducido una paradoja intrigante: la pseudonimidad permite a los criminales ocultarse a plena vista, pero los datos abiertos otorgan más poder a los investigadores y permiten la colaboración en el análisis forense. Mientras tanto, los avances en algoritmos de aprendizaje muestran un gran potencial para las herramientas de AML. En este tutorial de taller, motivamos la oportunidad de reconciliar la causa de la seguridad con la de la inclusión financiera. Contribuimos con el Conjunto de Datos Elíptico, una serie temporal gráfica de más de 200K transacciones de Bitcoin (nodos), 234K flujos de pago dirigidos (aristas) y 166 características de nodos, incluyendo algunas basadas en datos no públicos; hasta donde sabemos, este es el conjunto de datos de transacciones etiquetadas más grande disponible públicamente en cualquier criptomoneda. Compartimos resultados de una tarea de clasificación binaria que predice transacciones ilícitas utilizando variaciones de Regresión Logística (LR), Bosques Aleatorios (RF), Perceptrones Multicapa (MLP) y Redes Neuronales Convolucionales (GCN), siendo GCN de especial interés como un nuevo método emergente para capturar información relacional. Los resultados muestran la superioridad de los Bosques Aleatorios (RF), pero también invitan a trabajar en la combinación de los respectivos poderes de RF y métodos gráficos. Por último, consideramos la visualización para el análisis y la explicabilidad, que es difícil dada la tamaño y dinamismo de los gráficos de transacciones del mundo real, y ofrecemos un prototipo simple capaz de navegar por el gráfico y observar el rendimiento del modelo sobre actividades ilícitas a lo largo del tiempo. Con este tutorial y conjunto de datos, esperamos a) invitar comentarios en apoyo a nuestra investigación en curso, y b) inspirar a otros a trabajar en este importante desafío social.
Weber et al. (Mié,) estudiaron esta cuestión.