Ricerca
UniDetect: rilevamento universale delle frodi su blockchain eterogenee basato sugli LLM
Con il progredire dell’interoperabilità tra blockchain, i protocolli di finanza decentralizzata (DeFi) consentono di riorganizzare i fondi illeciti in asset liquidi uniformi che circolano in tutto il…

- arXiv
- 2604.12329
- Pubblicato
- 2026-04-14
- Autori
- Shuyi Miao, Wangjie Qiu, Shengda Zhuo, Fei Shen, Dan Lin, Xingtong Yu, Chua Tat-Seng, Zhiming Zheng
Abstract degli autori
Con il progredire dell’interoperabilità tra blockchain, i protocolli di finanza decentralizzata (DeFi) consentono di riorganizzare i fondi illeciti in asset liquidi uniformi che circolano in tutto il mercato delle criptovalute. Queste operazioni possono aggirare i controlli mirati alle singole blockchain, indebolendo così gli attuali quadri normativi. Per affrontare questo problema, presentiamo UniDetect, un metodo basato su modelli linguistici di grandi dimensioni (LLM) per individuare account fraudolenti sulle criptovalute in più blockchain. In particolare, usiamo le conoscenze del settore per guidare l’LLM nella generazione di testi generali di sintesi delle transazioni, applicabili ad account su blockchain eterogenee, che fungono da elementi di prova per individuare gli account fraudolenti. Introduciamo inoltre una strategia di addestramento alternato in due fasi per migliorare in modo continuo e dinamico il ragionamento congiunto multimodale che individua gli account fraudolenti sulla base sia delle prove testuali sia degli schemi dei grafi delle transazioni. Esperimenti condotti su più blockchain mostrano che UniDetect supera i metodi esistenti del 5,57%-7,58% nella misura di Kolmogorov-Smirnov (KS). Nel rilevamento zero-shot tra blockchain, UniDetect individua oltre il 94,58% degli account fraudolenti. Il metodo si generalizza bene anche ai dati non relativi alle blockchain, con un miglioramento del 6,06% nell’F1 rispetto ai metodi esistenti. Il dataset e il codice sorgente sono disponibili all’indirizzo https://github.com/msy0513/UniDetect.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv