論文の概要: Effective Multi-Graph Neural Networks for Illicit Account Detection on
Cryptocurrency Transaction Networks
- arxiv url: http://arxiv.org/abs/2309.02460v2
- Date: Sat, 28 Oct 2023 07:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 20:10:15.094992
- Title: Effective Multi-Graph Neural Networks for Illicit Account Detection on
Cryptocurrency Transaction Networks
- Title(参考訳): 暗号トランザクションネットワーク上での不正アカウント検出に有効なマルチグラフニューラルネットワーク
- Authors: Zhihao Ding, Jieming Shi, Qing Li, Jiannong Cao
- Abstract要約: 暗号通貨の不正行為は、通常のユーザーから数十億ドルの損失をもたらした。
大規模トランザクションネットワーク上で不正なアカウントを検出するための,新しいマルチグラフニューラルネットワークモデルであるDIAMを提案する。
例えば、2000万のノードと203万のエッジを持つBitcoinデータセットでは、DIAMはF1スコア96.55%を獲得し、F1スコア83.92%よりも大幅に高い。
- 参考スコア(独自算出の注目度): 17.754948081962123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study illicit account detection on transaction networks of
cryptocurrencies that are increasi_testngly important in online financial
markets. The surge of illicit activities on cryptocurrencies has resulted in
billions of losses from normal users. Existing solutions either rely on tedious
feature engineering to get handcrafted features, or are inadequate to fully
utilize the rich semantics of cryptocurrency transaction data, and
consequently, yield sub-optimal performance. In this paper, we formulate the
illicit account detection problem as a classification task over directed
multigraphs with edge attributes, and present DIAM, a novel multi-graph neural
network model to effectively detect illicit accounts on large transaction
networks. First, DIAM includes an Edge2Seq module that automatically learns
effective node representations preserving intrinsic transaction patterns of
parallel edges, by considering both edge attributes and directed edge sequence
dependencies. Then utilizing the multigraph topology, DIAM employs a new
Multigraph Discrepancy (MGD) module with a well-designed message passing
mechanism to capture the discrepant features between normal and illicit nodes,
supported by an attention mechanism. Assembling all techniques, DIAM is trained
in an end-to-end manner. Extensive experiments, comparing against 14 existing
solutions on 4 large cryptocurrency datasets of Bitcoin and Ethereum,
demonstrate that DIAM consistently achieves the best performance to accurately
detect illicit accounts, while being efficient. For instance, on a Bitcoin
dataset with 20 million nodes and 203 million edges, DIAM achieves F1 score
96.55%, significantly higher than the F1 score 83.92% of the best competitor.
The code is available at https://github.com/TommyDzh/DIAM.
- Abstract(参考訳): オンライン金融市場で極めて重要な暗号通貨の取引ネットワークにおける不正アカウント検出について検討する。
暗号通貨に対する不正行為の急増は、通常のユーザーから何十億もの損失をもたらした。
既存のソリューションは、手作りの機能を得るために退屈な機能エンジニアリングに依存しているか、あるいは暗号トランザクションデータのリッチなセマンティクスを十分に活用するのに不適当である。
本稿では、エッジ属性を持つ有向多重グラフ上の分類タスクとして不正アカウント検出問題を定式化し、大規模トランザクションネットワーク上で不正アカウントを効果的に検出する新しいマルチグラフニューラルネットワークモデルであるDIAMを提案する。
まず、diamには、エッジ属性と有向エッジシーケンス依存性の両方を考慮して、並列エッジの固有トランザクションパターンを保存する効果的なノード表現を自動的に学習するedge2seqモジュールが含まれている。
マルチグラフトポロジを利用すると、DIAMは新しいMultigraph Discrepancy(MGD)モジュールとよく設計されたメッセージパッシング機構を使用して、アテンションメカニズムによってサポートされている正常ノードと不正ノード間の不一致の特徴をキャプチャする。
すべてのテクニックを組み立てると、DIAMはエンドツーエンドでトレーニングされます。
大規模な実験は、ビットコインとイーサリアムの4つの暗号通貨データセット上の14の既存のソリューションと比較し、DIAMが不正なアカウントを正確に検出し、効率的であることを証明する。
例えば、2000万のノードと203万のエッジを持つBitcoinデータセットでは、DIAMはF1スコア96.55%を獲得し、F1スコア83.92%よりも大幅に高い。
コードはhttps://github.com/tommydzh/diamで入手できる。
関連論文リスト
- Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。
これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。
本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
論文 参考訳(メタデータ) (2025-01-25T04:53:36Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
機械学習モデルはラベルのフリップ(ラベルのフリップ)に弱い。
サンプルと集合証明書の両方を抽出し,正確な認証手法を提案する。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な証明書を提示しました。
論文 参考訳(メタデータ) (2024-11-30T17:05:12Z) - Across-Platform Detection of Malicious Cryptocurrency Transactions via Account Interaction Learning [19.2372535101502]
既存の悪意のあるトランザクション検出方法は、大量のラベル付きデータに依存する。
そこで我々はシャドウイーズ(ShadowEyes)を提案する。
公開データセットを用いて大規模な実験を行い,ShadowEyesの性能評価を行った。
論文 参考訳(メタデータ) (2024-10-31T02:01:42Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - 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) - Chainlet Orbits: Topological Address Embedding for the Bitcoin
Blockchain [15.099255988459602]
匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。
トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。
当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
論文 参考訳(メタデータ) (2023-05-18T21:16:59Z) - 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) - Black-box Dataset Ownership Verification via Backdoor Watermarking [67.69308278379957]
我々は、リリースデータセットの保護を、(目立たしい)サードパーティモデルのトレーニングに採用されているかどうかの検証として定式化する。
バックドアの透かしを通じて外部パターンを埋め込んでオーナシップの検証を行い,保護することを提案する。
具体的には、有毒なバックドア攻撃(例えばBadNets)をデータセットのウォーターマーキングに利用し、データセット検証のための仮説テストガイダンスメソッドを設計する。
論文 参考訳(メタデータ) (2022-08-04T05:32:20Z) - 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) - Identity Inference on Blockchain using Graph Neural Network [5.5927440285709835]
アカウントのアイデンティティに関する事前推論を目的としたアイデンティティ推論は、ブロックチェーンセキュリティにおいて重要な役割を果たします。
本稿では,id推論タスクをグラフ分類パターンに変換するトランザクションサブグラフの観点から,ユーザの行動を解析するための新しい手法を提案する。
また、$textI2 textBGNN$という汎用的なエンドツーエンドグラフニューラルネットワークモデルを提案し、サブグラフを入力として受け入れ、トランザクションサブグラフパターンをアカウントアイデンティティにマッピングする関数を学ぶことができる。
論文 参考訳(メタデータ) (2021-04-14T00:15:38Z) - Detecting Malicious Accounts in Permissionless Blockchains using
Temporal Graph Properties [4.506782035297339]
ノードとしてアカウントをモデル化し、トランザクションを指向するグラフのエッジとして -- ブロックチェーンのための時間的特性。
これに触発されて、すでに使用されているいくつかのグラフ特性の上にバーストや魅力のような時間的特徴を導入する。
我々はさまざまな機械学習(ML)アルゴリズムを訓練し、どのアカウントが悪意があるかを検出するのに最適なアルゴリズムを識別する。
論文 参考訳(メタデータ) (2020-07-10T05:15:26Z)
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。