論文の概要: CASPER: Contrastive Approach for Smart Ponzi Scheme Detecter with More Negative Samples
- arxiv url: http://arxiv.org/abs/2507.16840v1
- Date: Sat, 19 Jul 2025 01:26:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-24 22:33:14.675969
- Title: CASPER: Contrastive Approach for Smart Ponzi Scheme Detecter with More Negative Samples
- Title（参考訳）: CASPER: より負のサンプルを持つスマートポンジスキーム検出器のコントラストアプローチ
- Authors: Weijia Yang, Tian Lan, Leyuan Liu, Wei Chen, Tianqing Zhu, Sheng Wen, Xiaosong Zhang,
- Abstract要約: 我々は、ブロックチェーントランザクションにおけるスマートPonziスキーム検出を強化するために、対照的な学習フレームワークであるCASPERを提案する。
我々は、XBlockデータセット上でCASPERを評価し、100%ラベル付きデータでトレーニングすると、ベースラインをF1スコアで2.3%上回ります。
その結果、CASPERによるスマートポンジスキームの効率的かつ費用効率の高い検出の可能性を強調した。
- 参考スコア（独自算出の注目度）: 28.590173366755895
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid evolution of digital currency trading, fueled by the integration of blockchain technology, has led to both innovation and the emergence of smart Ponzi schemes. A smart Ponzi scheme is a fraudulent investment operation in smart contract that uses funds from new investors to pay returns to earlier investors. Traditional Ponzi scheme detection methods based on deep learning typically rely on fully supervised models, which require large amounts of labeled data. However, such data is often scarce, hindering effective model training. To address this challenge, we propose a novel contrastive learning framework, CASPER (Contrastive Approach for Smart Ponzi detectER with more negative samples), designed to enhance smart Ponzi scheme detection in blockchain transactions. By leveraging contrastive learning techniques, CASPER can learn more effective representations of smart contract source code using unlabeled datasets, significantly reducing both operational costs and system complexity. We evaluate CASPER on the XBlock dataset, where it outperforms the baseline by 2.3% in F1 score when trained with 100% labeled data. More impressively, with only 25% labeled data, CASPER achieves an F1 score nearly 20% higher than the baseline under identical experimental conditions. These results highlight CASPER's potential for effective and cost-efficient detection of smart Ponzi schemes, paving the way for scalable fraud detection solutions in the future.
- Abstract（参考訳）: ブロックチェーン技術の統合によって加速されたデジタル通貨取引の急速な進化は、イノベーションとスマートPonziスキームの出現の両方につながった。
スマートPonziスキーム(Smart Ponzi scheme)は、スマートコントラクトにおける不正な投資活動であり、新しい投資家からの資金を使って、以前の投資家にリターンを支払う。
ディープラーニングに基づく従来のポンジスキーム検出法は、通常、大量のラベル付きデータを必要とする完全な教師付きモデルに依存している。
しかし、そのようなデータは、しばしば不足しており、効果的なモデルトレーニングを妨げる。
この課題に対処するために、ブロックチェーントランザクションにおけるスマートポンジスキーム検出を強化するために設計された、新しいコントラスト学習フレームワークであるCASPER(Contrastive Approach for Smart Ponzi detecter with more negative sample)を提案する。
対照的な学習技術を活用することで、CASPERはラベルのないデータセットを使用してスマートコントラクトソースコードのより効率的な表現を学習し、運用コストとシステムの複雑さを著しく削減できる。
我々は、XBlockデータセット上でCASPERを評価し、100%ラベル付きデータでトレーニングすると、ベースラインをF1スコアで2.3%上回ります。
さらに印象的なことに、25%のラベル付きデータしか持たないCASPERは、同じ実験条件下でF1スコアをベースラインよりも20%高いスコアで達成している。
これらの結果は、CASPERがスマートPonziスキームを効果的かつ費用効率で検出する可能性を強調し、将来的にはスケーラブルな不正検出ソリューションの道を開いた。
関連論文リスト
- DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT [37.44256772381154]
DP2Guardは、プライバシーと堅牢性の両方を強化する軽量PPFLフレームワークである。
特異値分解とコサイン類似性を用いて勾配特徴を抽出するハイブリッド防衛戦略を提案する。
信頼スコアに基づく適応アダプティブアグリゲーションスキームは、履歴行動に応じてクライアントの重みを調整する。
論文 参考訳（メタデータ） (2025-07-22T01:06:39Z) - Detecting Functional Bugs in Smart Contracts through LLM-Powered and Bug-Oriented Composite Analysis [34.8337182669106]
スマートコントラクトにおける機能的バグを検出する自動化およびスケーラブルなシステムである PROMFUZZ の設計と実装を行う。
まず,デュアルエージェント・プロンプト・エンジニアリング・ストラテジーを活用するLarge Language Model (LLM) 駆動分析フレームワークを提案する。
最後に,高レベルのビジネスモデルから低レベルのスマートコントラクト実装へ論理情報をマッピングする,バグ指向ファジリングエンジンを設計する。
論文 参考訳（メタデータ） (2025-03-31T04:39:51Z) - Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。
モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。
本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文 参考訳（メタデータ） (2025-03-13T05:19:44Z) - Semantic Sleuth: Identifying Ponzi Contracts via Large Language Models [10.770371122781956]
PonziSleuthは、Ponziスマートコントラクトを検出する最初のLCM駆動のアプローチである。
大規模なデータ要求なしに、同等で、しばしば優れたパフォーマンスを提供する。
実世界検出において、PonziSleuthは2024年3月にEtherscanによって承認された4,597件の契約から15件の新しいポンツィ計画の特定に成功した。
論文 参考訳（メタデータ） (2024-11-12T02:54:59Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - 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) - Improving the Accuracy of Transaction-Based Ponzi Detection on Ethereum [13.233535179219633]
昔ながらの詐欺であるPonziスキームが、ブロックチェーンで人気になった。
ほとんどのPonzi検出方法は、そのスマートコントラクトソースコードに基づいてPonziスキームを検出する。
我々は、マシンラーニングアルゴリズムが最大30%高いF1スコアを達成することができる85の新機能(22のアカウントベース、63の新しい時系列機能)を提案する。
論文 参考訳（メタデータ） (2023-08-31T01:54:31Z) - 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) - SourceP: Detecting Ponzi Schemes on Ethereum with Source Code [0.5898893619901381]
SourcePは、事前訓練されたモデルとデータフローを使用して、プラットフォーム上のスマートPonziスキームを検出する方法である。
まず、スマートコントラクトのソースコードをデータフローグラフに変換し、学習コード表現に基づく事前学習モデルを導入し、分類モデルを構築する。
実験の結果、SourcePは87.2%のリコールと90.7%のFスコアを達成し、スマートPonziスキームを検出した。
論文 参考訳（メタデータ） (2023-06-02T16:40:42Z) - Explainable Ponzi Schemes Detection on Ethereum [1.3812010983144802]
ポンツィスキームは最も一般的な詐欺の一つである。
本稿では,実世界のスマートポンジ契約を検出する分類器を提案する。
優れた分類品質を保証し、AI技術を用いた分類への影響を調査する、小型で効果的な機能のセットを特定します。
論文 参考訳（メタデータ） (2023-01-12T08:38:23Z) - Data-driven Smart Ponzi Scheme Detection [11.467476506780969]
スマートPonziスキームは、スマートコントラクトアカウントと暗号通貨を使用してPonziスキームを実装する、新しいタイプの経済犯罪である。
本稿では,データ駆動型スマートPonziスキーム検出システムを提案する。
従来の手法と比較して、提案システムは非常に限定的な人間とコンピュータの相互作用を必要とする。
論文 参考訳（メタデータ） (2021-08-20T07:45:36Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳（メタデータ） (2021-03-23T15:04:44Z)
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。