量子科技中心_量科网

虚拟资产服务提供商（VASPs）在检测跨机构洗钱行为时面临监管合规与用户隐私之间的根本性矛盾。现有方案要么要求共享敏感交易数据，要么孤立运作，导致关键的跨链洗钱模式无法被识别。该研究团队提出FedGraph-VASP框架——一种保护隐私的联邦图学习系统，可在不暴露原始用户数据的情况下实现协同反洗钱（AML）。其核心创新在于边界嵌入交换协议，该协议仅共享边界账户经图神经网络压缩处理的不可逆表征。这些数据交换通过后量子加密技术保障安全，具体采用NIST标准化的Kyber-512密钥封装机制与AES-256-GCM认证加密相结合的方式。在基于Louvain真实分区的Elliptic比特币数据集实验中，FedGraph-VASP在二元欺诈检测任务中F1分数达到0.508，较当前最优生成式基线FedSage+（F1=0.453）提升12.1%。研究进一步表明，在低连通性场景下生成式插值会降低性能时，该系统仍保持稳健性；而在高连通性条件下接近集中式训练性能（F1=0.620）。针对以太坊欺诈检测数据集的额外评估显示：当跨机构连接稀疏时，FedGraph-VASP（F1=0.635）效果较弱，而FedSage+表现优异（F1=0.855），甚至超越本地训练（F1=0.785）。这些结果揭示了拓扑依赖的权衡关系：嵌入交换适用于连通交易图，而生成式插值在高度模块化的稀疏图中更具优势。隐私审计表明嵌入表征仅具备部分可逆性（R²=0.32），能有效限制精确特征还原。