区块链技术为数字资产交易带来新机遇的同时，也催生了智能庞氏骗局等欺诈行为。这类骗局利用智能合约，通过吸引新投资者的资金来支付早期投资者的回报，最终导致系统崩溃。传统基于深度学习的智能庞氏骗局检测方法，往往依赖于大量标记数据，而此类数据稀缺且获取成本高昂，限制了检测效果。近日，电子科技大学、澳门城市大学和斯威本科技大学的研究团队，开发出一种名为CASPER(智能庞氏骗局检测器对比方法)的深度学习框架，为智能庞氏骗局检测带来了新突破。

CASPER框架基于对比学习技术，通过比较不同区块链交易之间的异同，使模型能够在未标记的数据集上学习智能合约源代码的有效表示。这一创新方法不仅显著降低了运营成本和系统复杂性，还提高了检测准确性。研究团队在论文中指出：“基于深度学习的传统庞氏骗局检测方法通常依赖于完全监督模型，这需要大量标记数据。然而，此类数据通常稀缺，阻碍了有效的模型训练。CASPER旨在增强区块链交易中智能庞氏骗局的检测能力。”

在测试中，CASPER框架展现出了优异性能。研究团队采用公开数据集的区块链交易数据，对CASPER进行了评估。结果显示，在使用100%标记数据进行训练时，CASPER的F1得分比基线高出2.3%;而在仅使用25%标记数据的情况下，其F1得分仍比基线高出近20%。这一成果凸显了CASPER在有效且经济地检测智能庞氏骗局方面的潜力。

目前，CASPER框架已展现出巨大潜力，未来可进一步改进并在更多真实数据上进行测试，以评估其检测和缓解智能庞氏骗局的潜力。随着技术的不断完善，CASPER有望应用于现实世界，为数字货币投资者提供更加安全可靠的交易环境。

更多信息： Weijia Yang 等，CASPER：一种用于智能庞氏骗局检测器的对比方法，支持更多负样本，arXiv (2025)。期刊信息： arXiv