El marco general: Paso 1: Entrena el extractor de características del modelo con un marco de aprendizaje de representación auto-supervisado preestablecido utilizando datos no etiquetados. Paso 2: El clasificador está entrenado conjuntamente utilizando datos etiquetados y sin etiquetar al extraer características a través de un extractor de características. Paso 3: ingrese el contrato inteligente desconocido en el codificador de características capacitadas para extraer las características e ingresarlas en el clasificador capacitado para completar la tarea de clasificación. Crédito: ARXIV (2025). Doi: 10.48550/arxiv.2507.16840
Las tecnologías de blockchain son sistemas digitales que funcionan distribuyendo copias de información en varias computadoras, también conocidas como nodos, todos los cuales están conectados a una red común. Estas tecnologías respaldan el comercio de criptomonedas, así como el funcionamiento de otros servicios digitales emergentes.
Si bien la tecnología Blockchain abre nuevas oportunidades para el comercio de criptomonedas, artes digitales y otros activos digitales, también se usan a menudo para actividades fraudulentas. Quizás lo más notable, ahora se usan ampliamente para esquemas de inversión fraudulentos conocidos como esquemas inteligentes de Ponzi.
En un esquema de Ponzi inteligente, se les pide a las personas que inviertan en monedas o activos digitales específicos y firmen un llamado contrato inteligente que les extrae el dinero automáticamente de manera regular. Inicialmente, sus inversiones pueden parecer fructíferas, sin embargo, los primeros inversores se les paga con el dinero invertido por nuevas personas. Después de un tiempo, todo el sistema se derrumba, ya que ya no hay suficientes recursos para pagar a todos los inversores.
En los últimos años, los científicos informáticos y los expertos en seguridad financiera han estado tratando de idear estrategias para detectar automáticamente estos esquemas fraudulentos. La mayoría de las soluciones desarrolladas hasta ahora se basan en algoritmos de aprendizaje profundo entrenados para identificar patrones asociados con esquemas de Ponzi inteligentes en transacciones de blockchain.
A pesar de su promesa, para desempeñarse bien, estas técnicas basadas en el aprendizaje profundo deben estar capacitadas en grandes conjuntos de datos que contienen transacciones blockchain etiquetadas por expertos humanos. Como el etiquetado de estos datos requiere un tiempo y recursos extensos, las soluciones existentes podrían no ser ideales para la detección confiable de esquemas de Ponzi inteligentes en entornos del mundo real.
La Universidad de Ciencia y Tecnología Electrónica de China, la Universidad de la Ciudad de Macao y la Universidad Tecnológica de Swinburne desarrolló recientemente Casper (enfoque contrastante para el detectador de ponzi inteligente), un marco basado en el aprendizaje profundo que puede detectar esquemas de Ponzi inteligentes con buena precisión sin requerir datos de capacitación etiquetados.
Esta nueva técnica, introducida en un artículo publicado En el servidor de preimpresión ARXIV, se basa en modelos que pueden aprender a detectar estas actividades fraudulentas comparando las similitudes y diferencias entre las diferentes transacciones de blockchain.
“Los métodos tradicionales de detección del esquema Ponzi basados en el aprendizaje profundo generalmente dependen de modelos completamente supervisados, que requieren grandes cantidades de datos etiquetados”, escribió Weija Yang, Tian Lan y sus colegas en su artículo. “Sin embargo, tales datos a menudo son escasos, obstaculizando una capacitación de modelos efectiva. Para abordar este desafío, proponemos un nuevo marco de aprendizaje contrastante, Casper (enfoque contrastante para el detectador de ponzi inteligente con muestras más negativas), diseñado para mejorar la detección de esquemas de Ponzi inteligentes en transacciones de blockchain”.
Para recoger signos de esquemas de Ponzi inteligentes en las transacciones de blockchain, Yang, Lan y sus colegas emplearon un enfoque conocido como aprendizaje contrastante. Esta es una técnica de aprendizaje automático a través de la cual un modelo computacional aprende a distinguir cosas diferentes comparándolas.
“Al aprovechar las técnicas de aprendizaje contrastante, Casper puede aprender representaciones más efectivas del código fuente de contrato inteligente utilizando conjuntos de datos no etiquetados, reduciendo significativamente los costos operativos y la complejidad del sistema”, escribieron los investigadores.
El equipo evaluó la nueva técnica de detección del esquema Ponzi en una serie de pruebas, en la que se alimentó con transacciones de blockchain desde un conjunto de datos disponible públicamente. Su marco se desempeñó notablemente bien, a pesar de haber sido entrenado en una cantidad limitada de datos etiquetados.
“Evaluamos a Casper en el conjunto de datos Xblock, donde supera la línea de base en un 2,3% en el puntaje F1 cuando se entrenan con datos al 100% etiquetados”, escribió el equipo. “Más impresionante, con solo el 25% de datos etiquetados, Casper logra una puntuación F1 casi un 20% más alta que la línea de base en condiciones experimentales idénticas. Estos resultados destacan el potencial de Casper para la detección efectiva y rentable de esquemas de Ponzi inteligentes, allanando el camino para soluciones de detección de fraude escalables en el futuro”.
En el futuro, el marco CASPER podría mejorarse y probarse en más datos del mundo real, para evaluar aún más su potencial para detectar y mitigar los esquemas de Ponzi inteligentes. Eventualmente, podría llegar a entornos del mundo real, donde podría ayudar a proteger a los inversores de moneda digital contra actividades maliciosas.
Escrito para usted por nuestro autor Ingrid Fadellieditado por Stephanie Baumy verificado y revisado por Robert Egan—Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Weijia Yang et al, Casper: enfoque contrastante para el detectador de esquema de ponzi inteligente con muestras más negativas, ARXIV (2025). Doi: 10.48550/arxiv.2507.16840
Información en el diario: ARXIV
© 2025 Science X Network
Cita: el marco de aprendizaje contrastante puede detectar esquemas Smart Ponzi basados en blockchain (2025, 24 de agosto) Recuperado el 24 de agosto de 2025 de https://techxplore.com/news/2025-08-contrastive-frameworkwork-blokChain basado en smart.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
