Les applications commerciales de la blockchain et les cryptomonnaies telles que permettent un transfert de valeur sécurisé et décentralisé, mais leur nature pseudonyme crée des opportunités pour des activités illicites, mettant au défi les régulateurs et les échanges en matière d'application des lois contre le blanchiment d'argent (AML). La détection de transactions frauduleuses dans les réseaux blockchain nécessite des modèles capables de capturer à la fois les dépendances structurelles et temporelles tout en restant résilients au bruit, au déséquilibre et à un comportement adversarial. Dans ce travail, nous proposons un cadre d'ensemble qui intègre des réseaux de neurones à convolution graphique (GCN), des réseaux d'attention graphique (GAT) et des réseaux d'isomorphisme graphique (GIN) pour améliorer la détection de fraude blockchain. En utilisant le jeu de données Elliptic du monde réel, notre ensemble de vote souple adapté atteint un rappel élevé des transactions illicites tout en maintenant un taux de faux positifs en dessous de 1%, surpassant les modèles GNN individuels et les méthodes de référence. L'architecture modulaire intègre des éléments de conception prêts pour le quantique, permettant une intégration future transparente des mappages de caractéristiques quantiques et des réseaux de neurones graphiques quantiques classiques hybrides. Cela garantit l'évolutivité, la robustesse et l'adaptabilité à long terme à mesure que les technologies de calcul quantique murissent. Nos conclusions soulignent que les GNN en ensemble constituent une solution pratique et tournée vers l'avenir pour la surveillance en temps réel des cryptomonnaies, offrant à la fois une utilité AML immédiate et un chemin vers des analyses de sécurité financière améliorées par le quantique.
Haider et al. (Samedi) ont étudié cette question.