.png){kind=icon}
返回
Efficient Bitcoin address classification using quantum-inspired feature selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s42484-025-00302-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
已记录超过9亿次比特币交易，这对机器学习在计算时间和保持预测准确性方面构成了相当大的挑战。我们提出了一种创新方法，采用基于量子启发的算法，通过模拟退火和量子退火实现，以解决解空间中的局部最小值问题。该方法高效地识别与混币器地址相关联的关键特征，显著减少了模型训练时间。通过将比特币地址分为六类——交易所、水龙头、赌博、市场、混币器和矿池——并应用监督学习方法，我们的结果表明，与在随机森林模型中使用所有特征相比，使用SA进行特征选择将训练时间减少了30.3%，同时保持了混币器地址91%的F1分数。这突显了量子启发式算法根据交易特征快速、准确地识别高风险比特币地址的潜力。
Keyword:
Bitcoin
Blockchain
Feature selection
Machine learning
Quantum-inspired acceleration
期刊
Q
IF:
4.4
论文数:
442
被引数:
796
机构
引用论文
分享收藏分享收藏Mixers Detection in bitcoin network: a step towards detecting money laundering in crypto-currencies
PREAI
分享收藏分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
分享收藏
查看更多内容