論文の概要: Evolve Path Tracer: Early Detection of Malicious Addresses in Cryptocurrency

• arxiv url: http://arxiv.org/abs/2301.05412v3
• Date: Sat, 3 Jun 2023 05:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 03:37:52.927322
• Title: Evolve Path Tracer: Early Detection of Malicious Addresses in Cryptocurrency
• Title（参考訳）: Evolve Path Tracer:暗号通貨における悪意アドレスの早期検出
• Authors: Ling Cheng, Feida Zhu, Yong Wang, Ruicheng Liang, Huiwen Liu
• Abstract要約: 本稿では,Evolve Path LSTM,Evolve Path Graph GCN,Hierarchical Survival PredictorからなるEvolve Path Tracerを提案する。 具体的には、一般的なアドレス機能に加えて、早期の取引パターンを特徴付けるために、資産移動経路と対応する経路グラフを提案する。 Evolve Path Tracerの3つの現実の不正なbitcoinデータセットに対する有効性と汎用性について検討する。
• 参考スコア（独自算出の注目度）: 6.9818380981710355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the ever-increasing boom of Cryptocurrency, detecting fraudulent behaviors and associated malicious addresses draws significant research effort. However, most existing studies still rely on the full history features or full-fledged address transaction networks, thus cannot meet the requirements of early malicious address detection, which is urgent but seldom discussed by existing studies. To detect fraud behaviors of malicious addresses in the early stage, we present Evolve Path Tracer, which consists of Evolve Path Encoder LSTM, Evolve Path Graph GCN, and Hierarchical Survival Predictor. Specifically, in addition to the general address features, we propose asset transfer paths and corresponding path graphs to characterize early transaction patterns. Further, since the transaction patterns are changing rapidly during the early stage, we propose Evolve Path Encoder LSTM and Evolve Path Graph GCN to encode asset transfer path and path graph under an evolving structure setting. Hierarchical Survival Predictor then predicts addresses' labels with nice scalability and faster prediction speed. We investigate the effectiveness and versatility of Evolve Path Tracer on three real-world illicit bitcoin datasets. Our experimental results demonstrate that Evolve Path Tracer outperforms the state-of-the-art methods. Extensive scalability experiments demonstrate the model's adaptivity under a dynamic prediction setting.
• Abstract（参考訳）: 暗号通貨のブームが続く中、不正行為や関連する悪意のあるアドレスを検知する研究が盛んに進んでいる。 しかし、既存の研究の多くは、まだ完全な履歴機能や本格的なアドレストランザクションネットワークに依存しているため、早期の悪意のあるアドレス検出の要件を満たすことはできない。 悪意のあるアドレスの不正行為を早期に検出するために,evolve path tracerを提案する。evolve path encoder lstm,evolve path graph gcn,そして階層的サバイバル予測器である。 具体的には、一般的なアドレス機能に加えて、初期取引パターンを特徴付けるための資産移動経路と対応する経路グラフを提案する。 さらに,早期に取引パターンが急速に変化しているため,進化的構造設定の下で,資産移動経路と経路グラフをエンコードするEvolve Path Encoder LSTMとEvolve Path Graph GCNを提案する。 階層的生存予測器は、優れたスケーラビリティと高速な予測速度でアドレスのラベルを予測する。 Evolve Path Tracerの3つの現実の不正ビットコインデータセットに対する有効性と汎用性について検討する。 実験の結果,Evolve Path Tracerは最先端手法よりも優れていた。 拡張性実験は、動的予測設定下でモデルの適応性を示す。

関連論文リスト

• FIRP: Faster LLM inference via future intermediate representation prediction [54.897493351694195]
  FIRPはデコードステップ毎に1つではなく複数のトークンを生成する。 いくつかのモデルとデータセットで1.9x-3xのスピードアップ比を示す広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-27T15:53:49Z)
• From Asset Flow to Status, Action and Intention Discovery: Early Malice Detection in Cryptocurrency [9.878712887719978]
  理想的な検出モデルは, (I) 早期検出, (II) 良好な解釈性, (III) 様々な不正行為に対する汎用性の3つの重要な特性をすべて達成できることが期待される。 Intention-Monitor for early malice detection in Bitcoin (BTC)では、特定のアドレスのオンチェーンレコードデータが他の暗号通貨プラットフォームよりもはるかに少ない。 我々のモデルは高度に解釈可能であり、様々な違法な活動を検出することができる。
  論文  参考訳（メタデータ） (2023-09-26T07:12:59Z)
• 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)
• Time-aware Metapath Feature Augmentation for Ponzi Detection in Ethereum [5.934595786654019]
  ポンツィの策略とフィッシング詐欺は、分散金融を著しく脅かしている。 ブロックチェーン上の既存のグラフベースの異常な振る舞い検出方法は、通常、均質なトランザクショングラフの構築に重点を置いている。 我々は、リアルタイムメタパスベースのトランザクションパターンをキャプチャするためのプラグイン・アンド・プレイモジュールとして、TMFAug(Time-aware Metapath Feature Augmentation)を導入する。
  論文  参考訳（メタデータ） (2022-10-30T15:31:19Z)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• TEGDetector: A Phishing Detector that Knows Evolving Transaction Behaviors [8.123699164666602]
  フィッシング検知器はフィッシングアドレスの探索に力を注いでいる。 検出器のほとんどは、ランダムウォーキングや静的サブグラフの構築によって、ターゲットアドレスのトランザクション動作の特徴を抽出する。 本稿では、トランザクション進化グラフから進化する挙動特徴を学習する動的グラフであるTEGDetectorを提案する。
  論文  参考訳（メタデータ） (2021-11-26T02:54:47Z)
• 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)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction [3.883460584034766]
  本稿では,リアルタイム歩行者経路予測のための畳み込み手法CARPeを提案する。 グラフ同型ネットワークのバリエーションとアジャイルの畳み込みニューラルネットワーク設計を組み合わせて、高速で正確なパス予測アプローチを形成する。 予測速度と予測精度の両面での結果が得られ、現在の最先端手法と比較してFPSを大幅に改善した。
  論文  参考訳（メタデータ） (2020-05-26T01:10:01Z)

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。