論文の概要: Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable
Framework for Transaction Anomaly Detection in Ethereum Networks
- arxiv url: http://arxiv.org/abs/2310.00144v1
- Date: Fri, 29 Sep 2023 21:08:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 06:23:33.054464
- Title: Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable
Framework for Transaction Anomaly Detection in Ethereum Networks
- Title（参考訳）: Probabilistic Smpling-Enhanced Temporal-Spatial GCN:Ethereumネットワークにおけるトランザクション異常検出のためのスケーラブルなフレームワーク
- Authors: Stefan Kambiz Behfar, Jon Crowcroft
- Abstract要約: 本研究では、時間ランダムウォーク(TRW)とグラフ畳み込みネットワーク(GCN)の融合について述べる。
我々のアプローチは、従来のGCNとは異なり、TRWの強みを利用してトランザクションの複雑な時間シーケンスを識別する。
TRW-GCNフレームワークが従来のGCNよりも性能指標を大幅に向上することを示す予備評価を行った。
- 参考スコア（独自算出の注目度）: 2.795656498870966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid evolution of the Ethereum network necessitates sophisticated
techniques to ensure its robustness against potential threats and to maintain
transparency. While Graph Neural Networks (GNNs) have pioneered anomaly
detection in such platforms, capturing the intricacies of both spatial and
temporal transactional patterns has remained a challenge. This study presents a
fusion of Graph Convolutional Networks (GCNs) with Temporal Random Walks (TRW)
enhanced by probabilistic sampling to bridge this gap. Our approach, unlike
traditional GCNs, leverages the strengths of TRW to discern complex temporal
sequences in Ethereum transactions, thereby providing a more nuanced
transaction anomaly detection mechanism. Preliminary evaluations demonstrate
that our TRW-GCN framework substantially advances the performance metrics over
conventional GCNs in detecting anomalies and transaction bursts. This research
not only underscores the potential of temporal cues in Ethereum transactional
data but also offers a scalable and effective methodology for ensuring the
security and transparency of decentralized platforms. By harnessing both
spatial relationships and time-based transactional sequences as node features,
our model introduces an additional layer of granularity, making the detection
process more robust and less prone to false positives. This work lays the
foundation for future research aimed at optimizing and enhancing the
transparency of blockchain technologies, and serves as a testament to the
significance of considering both time and space dimensions in the ever-evolving
landscape of the decentralized platforms.
- Abstract（参考訳）: Ethereumネットワークの急速な進化は、潜在的な脅威に対する堅牢性を確保し、透明性を維持するために、高度な技術を必要とする。
グラフニューラルネットワーク(GNN)はそのようなプラットフォームにおける異常検出の先駆者であるが、空間的および時間的トランザクショナルパターンの複雑さを捉えることは依然として困難である。
本研究では、このギャップを埋めるために確率的サンプリングによって強化された時間ランダムウォーク(TRW)とGCN(Graph Convolutional Networks)の融合を提案する。
従来のGCNとは異なり、我々のアプローチはTRWの強みを利用してEthereumトランザクションの複雑な時間シーケンスを識別し、よりニュアンスなトランザクション異常検出機構を提供する。
TRW-GCNフレームワークは,異常やトランザクションバーストの検出において,従来のGCNよりも性能指標を大幅に向上することを示した。
この研究はEthereumトランザクショナルデータにおける時間的手がかりの可能性だけでなく、分散型プラットフォームのセキュリティと透明性を確保するためのスケーラブルで効果的な方法論も提供する。
空間的関係と時間的トランザクショナルシーケンスの両方をノードの特徴として利用することにより,本モデルではさらに粒度の層を導入し,検出過程をより堅牢にし,偽陽性を生じにくくする。
この研究は、ブロックチェーン技術の透明性を最適化し、強化することを目的とした将来の研究の基礎となり、分散プラットフォームにおける時間と空間の次元の両方を、進化し続ける風景の中で考慮することの重要性の証となる。
関連論文リスト
- Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。
グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。
本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
論文 参考訳（メタデータ） (2024-07-09T03:59:06Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Enhancing Price Prediction in Cryptocurrency Using Transformer Neural
Network and Technical Indicators [0.5439020425819]
方法論は、技術指標、Performerニューラルネットワーク、BiLSTMの使用を統合する。
提案手法は、主要な暗号通貨の時間と日時に適用される。
論文 参考訳（メタデータ） (2024-03-06T10:53:12Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T05:03:00Z) - Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。
具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。
ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
論文 参考訳（メタデータ） (2023-07-11T08:56:53Z) - 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) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics [5.617291981476445]
本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。
これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
論文 参考訳（メタデータ） (2022-06-07T16:22:55Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。