Detecção de Anomalias de Bitcoin com E-GTNet Acompanha Redes Ilícitas à Medida que Mudam

A detecção de anomalias de Bitcoin com E-GTNet evidenciou um conflito complexo: as redes de transações ilícitas estão se tornando mais complexas, enquanto os investigadores ainda precisam de evidências compreensíveis. Publicado em 26 de setembro de 2026, o novo modelo analisa a atividade de Bitcoin como um grafo em evolução, em vez de uma coleção de pagamentos isolados. Seus pesquisadores afirmam que os mapas resultantes refletem estruturas anômalas conhecidas à medida que essas estruturas mudam ao longo do tempo.

O modelo, desenvolvido por pesquisadores afiliados à Southeast University e ao Peng Cheng Laboratory, combina três tipos de aprendizado de máquina. Ele utiliza atenção sensível a arestas, convolução em grafos e modelagem de sequências temporais. Em seguida, a equipe carrega as redes anômalas previstas no Neo4j, onde os investigadores podem inspecionar visualmente as relações.

Essa combinação é importante porque um sistema útil de combate à lavagem de dinheiro precisa fazer mais do que gerar uma pontuação de suspeita. Ele deve revelar como os fundos se movem e por que um agrupamento merece atenção. No entanto, o estudo se baseia em um único benchmark público já estabelecido, portanto seu desempenho em atividades mais recentes e menos familiares continua incerto.

E-GTNet Transforma Transações de Bitcoin em um Mapa de Investigação em Evolução

A mudança central não é simplesmente um novo classificador. O E-GTNet vincula alertas gerados por máquina a mapas de transações que os investigadores podem inspecionar.

Os pesquisadores apresentaram o E-GTNet, abreviação de Edge-enhanced Graph Transformer Network, na revista revisada por pares Applied Intelligence. Seu estudo publicado descreve uma estrutura híbrida para identificar atividade anormal em dados de transações de Bitcoin.

Em vez de tratar cada transação como um registro independente, o sistema cria um grafo de transações heterogêneo. Um grafo representa objetos como nós e suas relações como arestas. Nesse caso, o grafo captura participantes ou transações e os fluxos que os conectam ao longo do tempo.

A descrição heterogênea significa que esses componentes podem ter significados diferentes. O valor de uma transação, o padrão de tempo, o papel do nó e a atividade vizinha não necessariamente contribuem de forma igual. O modelo busca preservar essas distinções, em vez de comprimir cada relação em um único sinal uniforme.

Seu componente de atenção sensível a arestas determina quanto peso atribuir a conexões específicas. Isso é importante porque a relação entre dois nós pode revelar informações que nenhum dos nós fornece isoladamente. O momento, a direção do fluxo e a posição de uma conexão em um caminho mais longo podem afetar o quão suspeita essa relação parece.

A convolução em grafos acrescenta contexto local. Ela permite que a representação de um nó incorpore informações de nós e conexões próximos. Um pagamento que parece comum isoladamente pode parecer diferente quando está dentro de um agrupamento de transferências repetidas, dispersões rápidas ou fluxos circulares.

A modelagem de sequências temporais fornece o terceiro componente. Ela ajuda o E-GTNet a examinar como essas relações se desenvolvem, em vez de congelar a rede em uma única imagem estática. A sequência de eventos pode distinguir um padrão acidental de um movimento coordenado.

Os pesquisadores avaliaram sua estrutura usando o conjunto de dados público de transações de Bitcoin Elliptic. A Elliptic lançou originalmente o conjunto de dados de transações para apoiar pesquisas sobre combate à lavagem de dinheiro com criptomoedas.

O benchmark contém dados reais de transações de Bitcoin com rótulos que separam atividades lícitas, ilícitas e desconhecidas. Sua estrutura de grafo o torna adequado para testar se um modelo consegue usar relações, e não apenas atributos de transações, para encontrar comportamento suspeito.

Depois de gerar previsões de anomalias, a equipe transferiu informações relevantes do grafo para o Neo4j. Um banco de dados de grafos armazena e consulta relações diretamente, permitindo que analistas naveguem por caminhos entre entidades conectadas. Essa abordagem pode tornar a saída do modelo mais fácil de investigar do que uma lista ordenada de pontuações de risco.

A visualização resultante supostamente mostrou estruturas anômalas evoluindo de cadeias relativamente diretas para redes mais ocultas e interconectadas. Os pesquisadores também constataram que as estruturas previstas se assemelhavam ao comportamento estrutural e temporal de nós anômalos rotulados.

Esse é o verdadeiro significado do evento. O E-GTNet não apenas classifica atividades e deixa o resultado dentro de um modelo. Ele produz uma representação de rede destinada a apoiar a análise humana.

Por Que a Detecção de Anomalias de Bitcoin Deve Acompanhar Relações ao Longo do Tempo

A detecção de finanças ilícitas depende cada vez mais de reconhecer comportamentos de rede em mudança, e não de comparar transações com regras fixas.

Sistemas convencionais de monitoramento geralmente começam com limites e indicadores predefinidos. Eles podem sinalizar transferências incomumente grandes, pagamentos repetidos, alta velocidade de transações ou interações com um endereço previamente identificado. Essas regras continuam úteis, mas criminosos podem reorganizar atividades em torno de controles conhecidos.

O Bitcoin também apresenta um problema analítico particular. Seu livro-razão registra transações publicamente, mas os endereços de carteiras não revelam automaticamente as pessoas ou organizações que os controlam. Analistas podem observar movimentações sem receber uma camada completa de identidade.

Essa combinação gera tanto visibilidade quanto ambiguidade. Um registro permanente de transações fornece aos investigadores evidências relacionais. No entanto, o mesmo registro raramente explica por si só a finalidade econômica de uma transferência.

Um modelo de grafo aborda o problema perguntando como cada evento se relaciona com um padrão mais amplo. Ele pode examinar se os fundos passam por nós intermediários, se dividem em ramificações, convergem novamente ou interagem com áreas previamente suspeitas da rede.

Essa visão mais ampla é importante para padrões de lavagem que utilizam camadas. A estratificação movimenta fundos por múltiplas transações ou serviços para dificultar o rastreamento de suas origens. Nenhum salto individual precisa parecer decisivo se a operação distribui seu comportamento por uma rede maior.

O tempo acrescenta outra dimensão. Dois conjuntos idênticos de transferências podem ter implicações diferentes quando ocorrem em sequências ou intervalos distintos. Um modelo que ignora a ordenação corre o risco de tratar uma progressão coordenada como atividade não relacionada.

Por isso, o E-GTNet combina informações de vizinhança com comportamento temporal. O componente Transformer do modelo usa atenção para capturar dependências em dados de grafos. Seu componente convolucional retém a estrutura local, enquanto a modelagem de sequências acompanha como a estrutura se desenvolve.

Esse projeto pressiona detectores estáticos de anomalias. Um sistema treinado para reconhecer o padrão comum de ontem pode perder sensibilidade quando atores ilícitos mudam rotas, horários ou densidade de rede. O novo estudo argumenta que as próprias estruturas de transações evoluem de cadeias mais simples para configurações mais ocultas.

Pesquisas relacionadas apontam na mesma direção. Um estudo de grafos temporais de 2026 avaliou outro modelo no benchmark Elliptic e tratou a detecção de atividades ilícitas como um problema que envolve estrutura em evolução, exemplos positivos raros e distribuições de dados mutáveis.

Esse modelo, FG-EGCN, usa um portão de atributos para equilibrar atributos de transações com evidências temporais do grafo. Sua existência mostra que o E-GTNet faz parte de um movimento mais amplo em direção à análise adaptativa de grafos, e não de um experimento isolado.

As abordagens diferem em ênfase. O FG-EGCN concentra-se em controlar o quanto um modelo depende de evidências estruturais para cada nó. O E-GTNet enfatiza atenção sensível a arestas, aprendizado combinado de grafos e temporal, e visualização por meio de um banco de dados de grafos.

Ambos respondem à mesma fraqueza de sistemas mais simples. Evidências estruturais podem revelar atividades que uma linha de atributos deixa passar, mas evidências de grafos também podem se tornar ruidosas ou obsoletas. Os modelos precisam decidir quais conexões importam e se seu significado muda ao longo do tempo.

Para equipes de conformidade, isso cria uma corrida tecnológica prática. Redes ilícitas podem adicionar endereços intermediários, alterar padrões de interação e avançar para coordenação privada. Os sistemas de monitoramento precisam se atualizar sem inundar analistas com alertas.

Para os investigadores, a questão é igualmente urgente. Uma previsão opaca oferece ajuda limitada quando alguém precisa decidir se deve escalar um caso. Um grafo visual pode mostrar a rota que gerou o alerta, embora não estabeleça por si só a intenção criminosa.

Detecção de Anomalias de Bitcoin com E-GTNet Une Previsão e Visualização

A escolha de projeto mais relevante do E-GTNet é a conexão entre aprendizado em grafos e um mapa de evidências navegável.

Muitos modelos de detecção otimizam métricas de classificação e depois param em uma pontuação de probabilidade. Esse resultado pode ser adequado para um benchmark de pesquisa, mas equipes operacionais precisam de contexto. Elas devem identificar entidades relevantes, rastrear caminhos de transações, comparar atividades relacionadas e documentar seu raciocínio.

A nova estrutura tenta reduzir essa lacuna. Depois que o E-GTNet identifica uma área anômala, o Neo4j renderiza as transações conectadas como um grafo navegável. Analistas podem inspecionar nós e relações sem reconstruir manualmente a rede a partir de registros planos.

Isso não torna o modelo plenamente explicável. Uma representação visual de atividade prevista é diferente de uma explicação de cada decisão interna do modelo. Pesos de atenção e caminhos em grafos podem fornecer pistas, mas não comprovam automaticamente causalidade.

Ainda assim, a visualização cumpre um papel importante. Ela traduz uma previsão de máquina para a mesma linguagem relacional usada por investigadores de blockchain. Um humano pode examinar se a rota destacada tem uma estrutura coerente e se informações adicionais sustentam o sinal do modelo.

Considere um alerta hipotético envolvendo fundos que passam por vários intermediários antes de chegar a um destino concentrado. Um classificador simples poderia atribuir risco a cada transação de forma independente. O E-GTNet, em vez disso, tenta capturar o padrão conectado e sua progressão.

O banco de dados de grafos pode então expor o caminho entre esses nós. Um analista poderia comparar a rota com atividade rotulada, serviços conhecidos, registros de tempo ou evidências de outra investigação. Esse fluxo de trabalho transforma o modelo em uma ferramenta de priorização, e não em um veredito automático.

Essa distinção é essencial no trabalho de combate a crimes financeiros. Um falso positivo pode atrasar transferências legítimas, consumir tempo de investigação ou expor um cliente a escrutínio desnecessário. Um falso negativo pode deixar uma rede ilícita ativa.

Nenhum dos resultados pode ser avaliado apenas por meio de uma visualização atraente. O valor operacional depende da qualidade dos rótulos subjacentes, do método de avaliação e do comportamento do modelo quando o ambiente de transações muda.

O resumo de Applied Intelligence afirma que os grafos anômalos previstos espelharam de perto os padrões estruturais e as dinâmicas temporais de nós anômalos rotulados. Essa é uma evidência encorajadora dentro do benchmark do estudo. Ela não equivale à validação em exchanges ao vivo, serviços de mixing ou redes criminosas emergentes.

Ainda assim, combinar estrutura e tempo fornece mais informações do que uma única métrica agregada de precisão. Um modelo pode produzir uma pontuação geral favorável enquanto falha em períodos específicos ou deixa de identificar uma classe rara, mas relevante.

A comparação visual pode revelar se a atividade prevista muda de maneiras semelhantes aos dados de referência. Se o modelo continuar identificando apenas padrões antigos de cadeias enquanto as anomalias rotuladas se tornam mais interconectadas, a incompatibilidade ficará visível.

Essa abordagem também ajuda pesquisadores a investigar modos de falha. Eles podem inspecionar falsos positivos e perguntar se esses nós estão próximos de áreas suspeitas, se se assemelham a serviços legítimos de alto volume ou se expõem fragilidades no tratamento do modelo para determinadas arestas.

Assim, o E-GTNet estabelece uma divisão de trabalho útil. O aprendizado de máquina busca padrões em um grafo grande e em constante mudança. O banco de dados de grafos oferece aos investigadores um espaço de trabalho para revisar esses padrões.

Essa divisão é mais crível do que apresentar a IA como um investigador autônomo. As transações em blockchain fornecem conexões observáveis, mas a intenção frequentemente exige informações externas ao livro-razão. Registros de exchanges, infraestrutura apreendida, documentos judiciais e inteligência de ameaças verificada podem alterar a interpretação de um endereço.

O modelo pode restringir o campo de análise. Ele não pode estabelecer de forma independente a identidade por trás de uma carteira, a finalidade legal de um pagamento ou a culpa de um participante.

O Problema Mais Difícil É o Benchmark, Não a Arquitetura do Modelo

A principal incerteza do E-GTNet vem do que seus rótulos de treinamento representam e de quão bem eles refletem a atividade ilícita atual.

O conjunto de dados Elliptic continua influente porque fornece dados reais de grafo para um problema de pesquisa difícil. Sua disponibilidade pública favorece comparações e reprodutibilidade. No entanto, o acesso ao benchmark não elimina dúvidas sobre a procedência, a idade, a cobertura dos rótulos e sua transferência para condições operacionais.

Transações ilícitas são raras em comparação com a atividade comum. Esse desequilíbrio pode recompensar modelos que têm bom desempenho na classe majoritária, mas deixam de detectar os casos que mais interessam aos investigadores. Por isso, pesquisadores precisam de medições de precisão, recall e F1 específicas por classe, e não apenas de acurácia geral.

A prévia publicamente acessível do artigo sobre o E-GTNet descreve sua arquitetura e suas conclusões estruturais. Ela não fornece informação suficiente para avaliar de forma independente todos os resultados experimentais, critérios de divisão ou métricas comparativas.

Essa ausência de detalhes deve orientar a forma como os leitores interpretam a notícia. O estudo sustenta uma afirmação de pesquisa sobre o aprendizado de padrões em evolução em um conjunto de dados público. Ele não demonstra que o E-GTNet esteja pronto para determinar riscos em toda a rede Bitcoin ativa.

A qualidade dos rótulos apresenta outro desafio. Pesquisadores recentes que analisaram dados de fóruns clandestinos argumentam que benchmarks importantes de Bitcoin frequentemente dependem, em parte, de inteligência proprietária. Isso torna difícil para equipes externas auditar as evidências por trás de rótulos individuais.

Um projeto separado de 2026 extraiu endereços de mais de 42 milhões de publicações no HackForums. Seu conjunto de dados de endereços verificados contém 2.438 endereços ilícitos de Bitcoin revisados por especialistas, abrangendo 12 categorias de cibercrime.

Esse projeto combinou triagem por modelos de linguagem, revisão humana, contexto de fóruns e validação on-chain. Seus autores apresentaram o trabalho como um esforço para melhorar a reprodutibilidade e a procedência dos rótulos, e não apenas para aumentar o tamanho do conjunto de dados.

A comparação expõe uma troca de compromissos. Benchmarks grandes oferecem estruturas de grafo amplas e dados suficientes para modelos complexos. Conjuntos de dados menores, respaldados por evidências, podem oferecer razões mais claras para classificar um endereço como ilícito.

Um sistema treinado com rótulos fracos ou opacos pode aprender padrões que se correlacionam com o benchmark sem captar o comportamento criminoso subjacente. Ele também pode herdar vieses dos processos de inteligência que geraram esses rótulos.

A deriva temporal cria um segundo risco. O estudo do E-GTNet relata que as anomalias evoluem de cadeias lineares para estruturas mais ocultas nos dados examinados. Adversários reais continuarão se adaptando após essa observação.

Um modelo pode aprender a evolução histórica e ainda assim falhar diante da próxima estratégia. Grupos criminosos podem usar novos serviços, pontes cross-chain, tecnologias de privacidade, protocolos descentralizados ou canais de comunicação ausentes no benchmark.

O uso de modelagem temporal pelos pesquisadores aborda diretamente parte desse problema. No entanto, a consciência temporal durante o treinamento não garante desempenho confiável após a implantação. Um sistema em produção exigiria avaliação regular em períodos posteriores e novos casos verificados.

Modelos de grafo também enfrentam restrições de escala. A atenção em redes complexas pode exigir recursos computacionais substanciais. Um grafo de pesquisa pode não reproduzir os requisitos de volume, latência e integração de uma grande exchange ou de uma plataforma global de investigação.

A interpretabilidade exige cautela semelhante. O Neo4j pode revelar quais nós e relacionamentos aparecem em um subgrafo previsto. Isso não explica necessariamente por que a rede neural atribuiu determinados pesos a esses relacionamentos.

Os investigadores precisam de ambos os níveis. Eles precisam de uma rota de transações compreensível e de documentação suficiente do modelo para entender por que essa rota recebeu prioridade. Sem a segunda camada, a saída visual pode gerar uma confiança que excede as evidências.

O risco é especialmente sério quando serviços legítimos produzem formas incomuns de grafo. Exchanges, processadores de pagamento, pools de mineração, serviços de custódia e comerciantes de alto volume podem criar hubs densos ou padrões rápidos de transação. Essas estruturas podem se parecer com agregação ou dispersão suspeita sem representar crime.

Portanto, o E-GTNet deve ser entendido como um recurso de apoio à investigação. Uma implantação responsável combinaria a saída do modelo com revisão humana, evidências externas, critérios formais de escalonamento e análise contínua de erros.

Modelos de Grafo Competem para Definir o Próximo Fluxo de Trabalho de AML

A competição emergente não é entre o E-GTNet e um único modelo rival. Ela é entre a análise adaptativa de grafos e a pontuação estática e isolada de transações.

A pesquisa sobre detecção de anomalias em Bitcoin agora inclui redes convolucionais de grafos, modelos temporais de grafos, Transformers de grafos, aprendizado autossupervisionado e arquiteturas com portas de recursos. Cada abordagem busca enfrentar um modo de falha diferente.

A convolução de grafos é eficaz para coletar informação local, mas a agregação repetida pode borrar distinções entre nós. A atenção dos Transformers pode captar dependências mais amplas, mas pode aumentar as exigências computacionais e ainda aprender correlações instáveis.

Modelos temporais acompanham mudanças ao longo dos períodos, embora a sequência histórica não consiga prever todas as mudanças adversariais. Sistemas autossupervisionados reduzem a dependência de rótulos, mas suas representações geradas ainda exigem avaliação contra evidências críveis.

O E-GTNet combina várias dessas técnicas em vez de escolher apenas uma. A atenção sensível a arestas mira informações no nível dos relacionamentos. A convolução de grafos preserva a estrutura de vizinhança. A modelagem temporal acompanha o desenvolvimento da rede.

A camada de visualização oferece um ponto adicional de diferenciação. Ela reconhece que a qualidade da detecção, por si só, não conclui um fluxo de trabalho investigativo. Os analistas precisam de uma forma de inspecionar o que o modelo encontrou.

Outra linha recente de trabalho concentra-se mais diretamente em rótulos fracos. O modelo FG-EGCN usa focal loss, um método de treinamento que dá maior ênfase a exemplos difíceis ou sub-representados. Ele também preserva os atributos originais das transações junto às representações temporais de grafos.

Um framework autossupervisionado recém-publicado, GT-SSL, segue uma rota diferente. Ele converte registros de transações em grafos direcionados, gera sequências conscientes da topologia e usa pseudo-rótulos para ampliar o sinal de treinamento disponível.

Esses modelos não devem ser comparados de maneira casual com base nas métricas de destaque divulgadas. O desempenho pode mudar com diferentes conjuntos de dados, divisões de treinamento e teste, definições de classe e protocolos temporais. Um modelo avaliado com registros misturados aleatoriamente enfrenta um problema mais fácil do que outro testado estritamente em períodos posteriores.

A competição mais informativa ocorrerá em torno das evidências de implantação. Qual método mantém o recall da classe ilícita quando o comportamento muda? Qual produz volumes administráveis de falsos positivos? Quais explicações ajudam investigadores a chegar a conclusões defensáveis?

O acesso aos dados moldará essas respostas. Registros públicos de blockchain são abundantes, mas rótulos criminais confiáveis continuam escassos. Instituições financeiras também detêm contexto privado de clientes e transações que benchmarks acadêmicos não conseguem reproduzir.

A colaboração poderia reduzir essa lacuna, mas introduz restrições de privacidade, segurança e legais. As instituições não podem simplesmente publicar dados sensíveis de casos. Pesquisadores precisam de métodos de avaliação que protejam identidades e, ao mesmo tempo, permitam escrutínio independente.

Bancos de dados de grafos podem se tornar parte dessa infraestrutura. Eles oferecem um ambiente natural para associar previsões de modelos a endereços, transações, registros de tempo e informações verificadas de casos.

No entanto, a integração aumenta as implicações. Quando a saída de um modelo entra em um sistema de gestão de casos ou de conformidade, seus alertas podem influenciar decisões operacionais. Rastreamento de versões, registros de auditoria, controles de acesso e monitoramento de modelos tornam-se tão importantes quanto a arquitetura neural.

Portanto, a abordagem vencedora precisará de mais do que desempenho em benchmarks. Ela deverá apoiar investigações repetíveis, resistir a mudanças temporais e comunicar a incerteza com clareza.

Três Sinais Mostrarão se o E-GTNet Pode Ir Além da Pesquisa

O próximo teste do E-GTNet é saber se suas vantagens visuais e temporais resistem a dados mais recentes, replicação independente e revisão operacional.

O primeiro sinal é a avaliação em conjuntos de dados posteriores e mais diversos. Pesquisadores devem testar o E-GTNet contra transações que ocorram após seu período de treinamento, especialmente atividades verificadas que utilizem estruturas desconhecidas.

Uma avaliação cronológica rigorosa revelaria se o modelo aprende relacionamentos duradouros ou memoriza condições históricas. O desempenho deve ser relatado separadamente para as classes ilícita e lícita, com o comportamento de falsos positivos e falsos negativos visível.

Evidências de redes adicionais fortaleceriam ainda mais a afirmação. O Bitcoin tem mecânicas de transação distintas, e não se deve presumir que os resultados sejam transferidos automaticamente para blockchains baseadas em contas ou para atividades cross-chain.

O segundo sinal é a replicação independente. Os dados da Elliptic são públicos, mas a replicação também exige pré-processamento, configuração do modelo, procedimentos de treinamento e divisões de avaliação claramente definidos.

Equipes independentes devem conseguir reproduzir as conclusões estruturais e inspecionar onde as previsões divergem das anomalias rotuladas. Código e dados processados facilitariam essas comparações, sujeitos a eventuais preocupações de segurança.

A replicação também deve testar linhas de base mais simples. Um modelo complexo de fusão precisa superar abordagens convencionais bem ajustadas sob o mesmo protocolo temporal. Caso contrário, uma arquitetura adicional pode aumentar o custo sem fornecer valor operacional.

O terceiro sinal é o teste centrado no investigador. Analistas devem avaliar se as visualizações do Neo4j reduzem o tempo de revisão, expõem caminhos úteis ou melhoram decisões em comparação com exibições comuns de alertas.

Essa avaliação precisa de evidências estruturadas. Pesquisadores poderiam comparar o desempenho dos analistas usando apenas pontuações de risco, diagramas estáticos e mapas de grafos interativos. Eles devem registrar se as visualizações ajudam os analistas a rejeitar falsos positivos, bem como a escalar casos genuínos.

Fatores humanos importam porque diagramas densos de rede podem se tornar excessivos. Uma visualização que exibe todas as conexões pode obscurecer a rota que motivou o alerta. Boas ferramentas devem classificar, filtrar e explicar relacionamentos sem ocultar alternativas relevantes.

Os testes operacionais também devem examinar divergências. Se o modelo sinalizar uma rede que investigadores humanos inicialmente considerem legítima, o sistema deve preservar as evidências e o raciocínio de ambos os lados. Esses casos podem revelar novas ameaças ou erros recorrentes do modelo.

A direção mais ampla está clara. O livro-razão público do Bitcoin oferece dados relacionais persistentes, mas adversários podem alterar as estruturas formadas por esses dados. O E-GTNet responde observando conexões, vizinhanças e tempo simultaneamente.

Sua camada de visualização também apresenta uma afirmação sensata sobre o papel da IA. O modelo deve ajudar as pessoas a encontrar e inspecionar padrões complexos, não substituir o trabalho jurídico e contextual necessário para estabelecer irregularidades.

Para desenvolvedores e equipes de segurança corporativa, a lição prática é exigir avaliações que correspondam às condições de implantação. Pergunte se um modelo usa testes cronológicos, relata resultados da classe minoritária, expõe suas evidências e acompanha o comportamento após o lançamento.

Para profissionais do conhecimento que avaliam pesquisas em IA, mantenha a distinção entre uma arquitetura promissora e um sistema operacional validado. O estudo de detecção de anomalias em Bitcoin com E-GTNet fornece evidências para o primeiro caso. Novos conjuntos de dados, replicação independente e testes com analistas devem estabelecer o segundo.

Acompanhe atentamente esses três sinais. Se o E-GTNet tiver bom desempenho em dados posteriores, for reproduzido de forma independente e melhorar a análise investigativa real, a IA baseada em grafos terá se aproximado de maneira significativa do monitoramento operacional de criptomoedas.