論文の概要: Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis

• arxiv url: http://arxiv.org/abs/2401.03530v1
• Date: Sun, 7 Jan 2024 16:01:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 18:27:16.950294
• Title: Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis
• Title（参考訳）: 機械学習分類器と説明可能性解析を用いたブロックチェーントランザクションの異常検出
• Authors: Mohammad Hasan, Mohammad Shahriar Rahman, Helge Janicke, Iqbal H. Sarker
• Abstract要約: 本研究は、XAI手法と異常ルールを木に基づくアンサンブル分類器に統合し、異常なビットコイン取引を検出する。 我々は,異常なトランザクションデータと非異常なトランザクションデータのバランスをとるために,XGBCLUSというアンダーサンプリングアルゴリズムを導入する。 提案するアンサンブル分類器は,精度,TPR,FPRの点で,従来の単木型機械学習分類器よりも優れている。
• 参考スコア（独自算出の注目度）: 4.456941846147711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the use of Blockchain for digital payments continues to rise in popularity, it also becomes susceptible to various malicious attacks. Successfully detecting anomalies within Blockchain transactions is essential for bolstering trust in digital payments. However, the task of anomaly detection in Blockchain transaction data is challenging due to the infrequent occurrence of illicit transactions. Although several studies have been conducted in the field, a limitation persists: the lack of explanations for the model's predictions. This study seeks to overcome this limitation by integrating eXplainable Artificial Intelligence (XAI) techniques and anomaly rules into tree-based ensemble classifiers for detecting anomalous Bitcoin transactions. The Shapley Additive exPlanation (SHAP) method is employed to measure the contribution of each feature, and it is compatible with ensemble models. Moreover, we present rules for interpreting whether a Bitcoin transaction is anomalous or not. Additionally, we have introduced an under-sampling algorithm named XGBCLUS, designed to balance anomalous and non-anomalous transaction data. This algorithm is compared against other commonly used under-sampling and over-sampling techniques. Finally, the outcomes of various tree-based single classifiers are compared with those of stacking and voting ensemble classifiers. Our experimental results demonstrate that: (i) XGBCLUS enhances TPR and ROC-AUC scores compared to state-of-the-art under-sampling and over-sampling techniques, and (ii) our proposed ensemble classifiers outperform traditional single tree-based machine learning classifiers in terms of accuracy, TPR, and FPR scores.
• Abstract（参考訳）: デジタル決済におけるブロックチェーンの利用が普及を続ける中、さまざまな悪意ある攻撃の影響を受けやすくなっている。 Blockchainトランザクション内の異常を正常に検出することは、デジタル支払いの信頼性を高める上で不可欠である。 しかし、不正なトランザクションが発生しやすいため、ブロックチェーントランザクションデータにおける異常検出のタスクは困難である。 この分野ではいくつかの研究が行われてきたが、モデルの予測に対する説明の欠如という制限が続いている。 本研究は,eXplainable Artificial Intelligence(XAI)技術と異常ルールを木ベースのアンサンブル分類器に統合し,異常なBitcoin取引を検出することにより,この制限を克服することを目的とする。 Shapley Additive exPlanation (SHAP) 法は各特徴の寄与を測定するために用いられ、アンサンブルモデルと互換性がある。 さらに、ビットコイン取引が異常であるか否かを解釈するルールも提示する。 さらに,異常および非異常なトランザクションデータのバランスをとるように設計されたxgbclusというアンダーサンプリングアルゴリズムも導入した。 このアルゴリズムは他のアンダーサンプリング法やオーバーサンプリング法と比較される。 最後に、様々な木ベース単一分類器の結果をスタック化および投票アンサンブル分類器と比較する。 実験結果はこう示しています i)XGBCLUSは最先端アンダーサンプリングおよびオーバーサンプリング技術と比較してTPRおよびROC-AUCスコアを増強し、 提案するアンサンブル分類器は,従来の単木型機械学習分類器よりも精度,TPR,FPRの点で優れていた。

関連論文リスト

• BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
  BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。 ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
  論文  参考訳（メタデータ） (2024-10-05T05:11:34Z)
• 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)
• Towards Improved Illicit Node Detection with Positive-Unlabelled Learning [5.879542875341689]
  隠れ正のラベルに対するラベル機構の仮定と評価指標への影響について検討する。 潜在的な正のラベルを隠蔽するPU分類器は、通常の機械学習モデルと比較して性能が向上することを示した。
  論文  参考訳（メタデータ） (2023-03-04T17:36:09Z)
• Blockchain Framework for Artificial Intelligence Computation [1.8148198154149393]
  ブロック検証とコンセンサス機構を深層強化学習プロセスとして設計する。 当社の手法は,次世代のパブリックブロックチェーンネットワークの設計に使用されている。
  論文  参考訳（メタデータ） (2022-02-23T01:44:27Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• 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)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。