對比的學習結構可以檢測基於知識的龐茲的方案

區塊鏈技術是通過在幾台計算機上分發信息的副本（也稱為節點）來工作的數字系統，所有這些系統都連接到通用網絡。這些技術是加密貨幣交易以及其他新數字服務的功能的基礎。

儘管區塊鏈技術為交易加密貨幣，數字藝術和其他數字資產開闢了新的機會，但它們通常也用於欺詐活動。也許它們最特別地用於欺詐性投資計劃，稱為智能龐氏騙局。

在智能龐氏賽巡迴賽中，要求個人投資於特定的數字貨幣或資產，並簽署所謂的知識合同，該合同會自動從他們身上自動造成金錢。他們的投資最初可能看起來很富有成果，但是早期的投資者實際上收到了新人投資的錢。一段時間後，整個系統崩潰了，因為沒有更多的資源來支付所有投資者。

近年來，計算機科學家和金融安全專家試圖制定自動檢測這些欺詐性方案的策略。到目前為止，大多數決定都依賴於深度學習算法，這些算法訓練了識別與龐氏鍊鍊交易中與龐氏騙子智力方案相關的模式。

儘管有希望，但為了表現出色，這些基於深入培訓的方法必須在包含與人類專家標記的區塊鏈交易的大型數據集中進行培訓。由於這些數據的標記需要大量的時間和資源，因此現有的解決方案可能不是在實際條件下可靠檢測智力龐氏案方案的理想選擇。

基於深層培訓，中國電子科學與技術大學，中國城市大學，澳門和斯溫本大學最近開發了Casper（智能龐氏騙子檢測器的對比方法），該培訓可以很好地檢測出智能的龐氏騙局精確性，而無需標記的學習數據。

這項新技術在紙上呈現 出版 在 arxiv 服務器服務器，依賴於可以學會檢測這些欺詐行動的模型，並比較不同區塊鏈交易之間的相似性和差異。

Weiga Yang，Tian Lan及其同事在他的文章中寫道：“基於深度學習的龐氏騙局的傳統方法通常取決於需要大量標記數據的完全控制模型。” “但是，這樣的數據通常不足，這阻止了有效的模型。

在區塊鏈，Jan，Lan及其同事中提出智力龐氏騙局智力方案的跡象，使用了一種稱為對比培訓的方法。這是一種機器學習的方法，計算模型學會說出不同的內容，並進行比較。

研究人員寫道：“使用對比的教學方法，Casper可以使用非縫合數據集研究智能合約源代碼的更有效表示，從而大大降低了操作成本和系統的複雜性。”

該團隊在一系列測試中讚賞新的龐氏騙局檢測技術，其中由公共數據集的區塊鏈交易進行。儘管事實對有限的數據進行了研究，但它們的結構表現出色。

該團隊寫道：“我們在Xblock數據集中評估了Casper，在使用100％標記數據進行訓練時，估計F1的基本線超過了2.3％。” “更令人印象深刻的是，由於只有25％的數據，Casper在相同的實驗條件下的F1得分比基礎線高20％。這些結果強調了Casper的有效且經濟有效地檢測智力PONZ方案的潛力，為將來檢測到可伸縮解決方案檢測欺詐方案的方式鋪平了道路。”

將來，Casper結構可以在更多實際數據上進行改進和驗證，以便評估其檢測和減輕智力龐氏騙局的潛力。最後，他可以穿透真實的環境，在那裡他可以幫助保護數字貨幣的投資者免受有害活動的侵害。

©2025科學X網絡