The Shape of Money Laundering: Subgraph Representation Learning on the Blockchain with the Elliptic2 Dataset

子图表示学习是一种分析复杂网络中本地结构（或形状）的技术。由于可扩展的图神经网络（GNN）的最新发展，这种方法在子组级别（多个连接节点）而不是在节点抽象级别上编码关系信息。我们认为，某些领域应用，如反洗钱（AML），本质上是子图问题，主流的图技术一直在以次优的抽象级别运作。这部分原因在于现实规模和复杂度的注释数据集的稀缺性，以及缺乏管理大规模子图GNN工作流的软件工具。为了在基本算法和AML等领域应用中开展工作，我们介绍了Elliptic2，一个包含122K个比特币簇的标记子图的大型图数据集，背景图包含49M个节点簇和196M个边交易。该数据集提供了已知与非法活动相关的子图，以便学习在加密货币中洗钱所表现出的“形状”，并准确分类新的犯罪活动。除了数据集，我们还分享了我们的图技术、软件工具、有前途的早期实验结果以及从这种方法中已经获得的新领域见解。综上所述，我们发现这种方法具有即时的实际价值，并具有在加密货币和其他金融网络中反洗钱和取证分析方面的新标准的潜力。

论文试图通过子图表示学习技术来分析复杂网络中的本地结构，以解决反洗钱等领域的子图问题。

使用可扩展的图神经网络对子组中的关系信息进行编码，从而提高子图抽象级别，解决了当前主流图技术在子图抽象上的不足。

论文提出了Elliptic2数据集，其中包含122K个标记的比特币簇子图，用于学习加密货币中洗钱的“形状”并准确分类新的犯罪活动。实验结果表明，这种方法具有实际应用价值和潜力，并且能够在反洗钱和金融网络等领域成为一种新的标准。

最近的相关研究包括：《Scalable Graph Learning for Anti-Money Laundering: A First Look》、《Graph Convolutional Networks for Anti-Money Laundering in Bitcoin》等。