通过语言模型的伪微调在区块链上匹配账户

《ACM Transactions on Intelligent Systems and Technology》：Matching Accounts on Blockchain via Pseudo Fine-tuning of Language Models

伪标签微调（PFT）是一种新型账户匹配基础设施，通过从同一账户跨期交易中生成伪标签对，结合语言模型知识蒸馏技术有效识别区块链洗钱行为，经真实数据集验证其性能显著优于现有方法。

　　

摘要

基于区块链技术的Web 3.0注重用户隐私和自主权，为金融系统带来了新的机遇，同时也增加了对非法活动的监管难度。在这项研究中，我们提出了一种名为“伪微调”（Pseudo Fine-tuning，简称PFT）的新基础设施，该基础设施能够提供账户匹配服务，以打击基于账户的区块链上的金融犯罪，例如通过洗钱服务进行的资金混兑。PFT的重要性在于它克服了在账户匹配过程中对真实标签的需求，因为可用于该任务的标记账户对数量有限。具体而言，我们的设计包括：（1）从不同时间段内的账户交易中生成伪标记对；（2）对语言模型进行微调，以从这些伪标记对中提取可转移到目标任务的知识。我们进行了深入分析，研究了伪微调过程中获得的内在知识及其有效性所需的条件。通过对来自洗钱服务和ENS名称服务的真实世界数据集进行的全面实验，我们证实该框架相较于现有方法具有显著的改进效果。我们的实现代码发布在https://github.com/git-disl/PFT。