Vai al contenuto
Crypto.world

Ricerca

TAS-GNN: una rete neurale per grafi con segno sensibile allo status per rilevare anomalie nei sistemi di fiducia di Bitcoin

Le piattaforme finanziarie decentralizzate si affidano in larga misura ai sistemi di reputazione Web of Trust per ridurre il rischio di controparte in assenza di una verifica centralizzata…

TAS-GNN: una rete neurale per grafi con segno sensibile allo status per rilevare anomalie nei sistemi di fiducia di Bitcoin
arXiv
2603.13290
Pubblicato
2026-02-28
Autori
Chang Xue, Fang Liu, Jiaye Wang, Jinming Xing, Chen Yang

Abstract degli autori

Le piattaforme finanziarie decentralizzate si affidano in larga misura ai sistemi di reputazione Web of Trust per ridurre il rischio di controparte in assenza di una verifica centralizzata dell’identità. Queste reti pseudonime, però, sono intrinsecamente vulnerabili a comportamenti malevoli, come gli attacchi Sybil e le frodi mascherate, in cui i malintenzionati costruiscono una reputazione artificiale prima di mettere in atto una exit scam. Il rilevamento delle anomalie in questo ambito presenta tradizionalmente due limiti cruciali. In primo luogo, affidarsi a semplici criteri statistici, per esempio segnalare il 5% degli utenti con le valutazioni più basse, non consente di distinguere le vittime di attacchi diffamatori dai veri truffatori. In secondo luogo, le reti neurali per grafi (GNN) standard presuppongono l’omofilia e non riescono a elaborare efficacemente l’inversione semantica insita negli archi con segno (fiducia e sfiducia) e orientati (status). Proponiamo TAS-GNN (Topology-Aware Signed Graph Neural Network), un nuovo modello progettato per reti con segno e poche caratteristiche, come Bitcoin-Alpha. TAS-GNN integra un’etichettatura ricorsiva Web-of-Trust e un’architettura di propagazione dei messaggi a due canali che modella separatamente i segnali di fiducia e sfiducia, combinandoli attraverso un meccanismo di Status-Aware Attention. Gli esperimenti mostrano che TAS-GNN raggiunge prestazioni allo stato dell’arte, superando nettamente i modelli GNN con segno esistenti usati come termine di confronto.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv