論文の概要: Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs

• arxiv url: http://arxiv.org/abs/2309.02460v3
• Date: Thu, 18 Jul 2024 05:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-20 00:12:03.726415
• Title: Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs
• Title（参考訳）: 大規模暗号マルチグラフにおける効率的な不正アカウント検出
• Authors: Zhihao Ding, Jieming Shi, Qing Li, Jiannong Cao,
• Abstract要約: 暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
• 参考スコア（独自算出の注目度）: 16.25273745598176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryptocurrencies are rapidly expanding and becoming vital in digital financial markets. However, the rise in cryptocurrency-related illicit activities has led to significant losses for users. To protect the security of these platforms, it is critical to identify illicit accounts effectively. Current detection methods mainly depend on feature engineering or are inadequate to leverage the complex information within cryptocurrency transaction networks, resulting in suboptimal performance. In this paper, we present DIAM, an effective method for detecting illicit accounts in cryptocurrency transaction networks modeled by directed multi-graphs with attributed edges. DIAM first features an Edge2Seq module that captures intrinsic transaction patterns from parallel edges by considering edge attributes and their directed sequences, to generate effective node representations. Then in DIAM, we design a multigraph Discrepancy (MGD) module with a tailored message passing mechanism to capture the discrepant features between normal and illicit nodes over the multigraph topology, assisted by an attention mechanism. DIAM integrates these techniques for end-to-end training to detect illicit accounts from legitimate ones. Extensive experiments, comparing against 15 existing solutions on 4 large cryptocurrency datasets of Bitcoin and Ethereum, demonstrate that DIAM consistently outperforms others in accurately identifying illicit accounts. For example, on a Bitcoin dataset with 20 million nodes and 203 million edges, DIAM attains an F1 score of 96.55%, markedly surpassing the runner-up's score of 83.92%. The code is available at https://github.com/TommyDzh/DIAM.
• Abstract（参考訳）: 仮想通貨は急速に拡大し、デジタル金融市場において欠かせない存在になりつつある。 しかし、暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらしている。 これらのプラットフォームのセキュリティを保護するためには、不正なアカウントを効果的に識別することが重要である。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号トランザクションネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。 DIAMは、エッジ属性とその有向シーケンスを考慮して、並列エッジから固有のトランザクションパターンをキャプチャして、効率的なノード表現を生成するEdge2Seqモジュールを最初に備えている。 そこで,DIAMでは,マルチグラフトポロジ上での正常ノードと不正ノード間の不一致特徴をキャプチャし,アテンション機構によって支援するメッセージパッシング機構を備えた多重グラフ離散性(MGD)モジュールを設計する。 DIAMはこれらのテクニックをエンドツーエンドのトレーニングに統合し、不正なアカウントを正規のアカウントから検出する。 大規模な実験では、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15の既存ソリューションと比較して、DIAMが不正なアカウントを正確に識別する上で、他よりも一貫して優れていることを示した。 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スコアが96.55%に達し、ランナーのスコアが83.92%を超えている。 コードはhttps://github.com/TommyDzh/DIAMで公開されている。

関連論文リスト

• 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)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• 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)
• FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
  マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。 本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。 このアプローチは、検出と追跡の両方において高い精度を達成する。
  論文  参考訳（メタデータ） (2020-04-04T08:18:00Z)

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。