論文の概要: Self-supervised Incremental Deep Graph Learning for Ethereum Phishing Scam Detection

• arxiv url: http://arxiv.org/abs/2106.10176v1
• Date: Fri, 18 Jun 2021 15:06:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 18:36:09.141996
• Title: Self-supervised Incremental Deep Graph Learning for Ethereum Phishing Scam Detection
• Title（参考訳）: Ethereumフィッシング詐欺検出のための自己教師付きインクリメンタルディープグラフ学習
• Authors: Shucheng Li, Fengyuan Xu, Runchuan Wang, Sheng Zhong
• Abstract要約: グラフニューラルネットワーク(GNN)は、様々なノード分類タスクにおいて有望な性能を示している。 実世界の複雑なグラフに自然に抽象化できるトランザクションデータでは、ラベルの不足と大量のトランザクションデータがGNNの手法を利用するのを困難にしている。 フィッシング詐欺検出問題に対する自己教師付きインクリメンタルグラフ学習モデル(SIEGE)を提案する。
• 参考スコア（独自算出の注目度）: 15.350215512903361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, phishing scams have become the crime type with the largest money involved on Ethereum, the second-largest blockchain platform. Meanwhile, graph neural network (GNN) has shown promising performance in various node classification tasks. However, for Ethereum transaction data, which could be naturally abstracted to a real-world complex graph, the scarcity of labels and the huge volume of transaction data make it difficult to take advantage of GNN methods. Here in this paper, to address the two challenges, we propose a Self-supervised Incremental deep Graph learning model (SIEGE), for the phishing scam detection problem on Ethereum. In our model, two pretext tasks designed from spatial and temporal perspectives help us effectively learn useful node embedding from the huge amount of unlabelled transaction data. And the incremental paradigm allows us to efficiently handle large-scale transaction data and help the model maintain good performance when the data distribution is drastically changing. We collect transaction records about half a year from Ethereum and our extensive experiments show that our model consistently outperforms strong baselines in both transductive and inductive settings.
• Abstract（参考訳）: 近年、フィッシング詐欺は、二番目に大きなブロックチェーンプラットフォームであるEthereumにかかわる最大の資金で犯罪タイプになっている。 一方、graph neural network (gnn)は様々なノード分類タスクで有望な性能を示している。 しかし、実世界の複雑なグラフに自然に抽象化できるEthereumトランザクションデータでは、ラベルの不足と大量のトランザクションデータが、GNNメソッドの活用を困難にしている。 本稿では,この2つの課題に対処するために,Ethereum上のフィッシング詐欺検出問題に対する自己教師付きインクリメンタルグラフ学習モデル(SIEGE)を提案する。 このモデルでは、空間的および時間的視点から設計された2つのプリテキストタスクは、膨大なトランザクションデータから有用なノード埋め込みを効果的に学習するのに役立ちます。 そして、インクリメンタルなパラダイムは、大規模トランザクションデータを効率的に処理し、データ分散が劇的に変化しているときにモデルが優れたパフォーマンスを維持するのに役立つ。 Ethereumから約半年ほどのトランザクション記録を収集し、広範な実験により、当社のモデルは、トランスダクティブとインダクティブの両方で、強いベースラインを一貫して上回ります。

関連論文リスト

• Analysis of Information Propagation in Ethereum Network Using Combined Graph Attention Network and Reinforcement Learning to Optimize Network Efficiency and Scalability [2.795656498870966]
  ネットワーク効率とスケーラビリティを最適化するグラフ注意ネットワーク(GAT)と強化学習(RL)モデルを開発した。 実験評価では,大規模データセットを用いたモデルの性能解析を行った。 その結果,設計したGAT-RLモデルは,他のGCNモデルと比較して性能的に優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-02T17:19:45Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Blockchain Large Language Models [65.7726590159576]
  本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。 提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
  論文  参考訳（メタデータ） (2023-04-25T11:56:18Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• TTAGN: Temporal Transaction Aggregation Graph Network for Ethereum Phishing Scams Detection [11.20384152151594]
  既存のフィッシング詐欺検出技術は、主に機械学習またはネットワーク表現学習を使用して、トランザクションネットワークから鍵情報をマイニングし、フィッシングアドレスを識別する。 本稿では、フィッシング検出性能を向上させるための時間トランザクション集約グラフネットワーク(TTAGN)を提案する。 我々のTTAGN (92.8% AUC, 81.6% F1score) は最先端の手法よりも優れており, 時間的エッジ表現とエッジ2ノードモジュールの有効性も示されている。
  論文  参考訳（メタデータ） (2022-04-28T12:17:00Z)
• Ethereum Fraud Detection with Heterogeneous Graph Neural Networks [3.5819974193845328]
  グラフ解析アルゴリズムと機械学習技術は、巨大なトランザクションネットワークにおけるフィッシングにつながる不審なトランザクションを検出する。 多くのグラフニューラルネットワーク(GNN)モデルが、グラフ構造にディープラーニング技術を適用するために提案されている。 我々は、実際の取引ネットワークデータセットにおけるGNNモデルのモデル性能と、報告されたラベルデータのフィッシングを比較した。
  論文  参考訳（メタデータ） (2022-03-23T12:35:59Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Blockchain Phishing Scam Detection via Multi-channel Graph Classification [1.6980621769406918]
  フィッシング詐欺検出方法は、被害者を保護し、より健全なブロックチェーンエコシステムを構築する。 ユーザのためのトランザクションパターングラフを定義し,フィッシング詐欺検出をグラフ分類タスクに変換する。 提案したマルチチャネルグラフ分類モデル(MCGC)は,対象ユーザのトランザクションパターンの特徴を抽出することにより,潜在的なフィッシングを検出することができる。
  論文  参考訳（メタデータ） (2021-08-19T02:59:55Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Temporal-Amount Snapshot MultiGraph for Ethereum Transaction Tracking [5.579169055801065]
  ネットワークの観点からのトランザクションのより深い理解を提供するリンク予測によるトランザクション追跡の問題について検討する。 具体的には,TASMG(temporal-amount snapshot multigraph)とTAW(temporal-amount walk)からなる組込みリンク予測フレームワークを提案する。 トランザクションネットワークの現実的なルールと特徴を考慮することにより、TASMGはトランザクションレコードを時間単位のネットワークとしてモデル化し、TAWはトランザクションレコードを介してアカウントを効果的に埋め込みます。
  論文  参考訳（メタデータ） (2021-02-16T08:21:16Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。