論文の概要: Deep Reputation Scoring in DeFi: zScore-Based Wallet Ranking from Liquidity and Trading Signals

• arxiv url: http://arxiv.org/abs/2507.20494v1
• Date: Mon, 28 Jul 2025 03:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.777195
• Title: Deep Reputation Scoring in DeFi: zScore-Based Wallet Ranking from Liquidity and Trading Signals
• Title（参考訳）: DeFiにおけるディープ・レプション・スコーリング:流動性およびトレーディング信号からのzスコアベースのワレットランク付け
• Authors: Dhanashekar Kandaswamy, Ashutosh Sahoo, Akshay SP, Gurukiran S, Parag Paul, Girish G N,
• Abstract要約: 本稿では, 戦略的流動性貢献を評価する流動性規定スコアと, 取引意図, ボラティリティ露出, 規律を反映したスワップ行動スコアの2つの相補的なスコアを割り当てる, ユニスワップの行動スコアフレームワークを提案する。 我々のフレームワークは、コンテキスト認識とスケーラブルなDeFiユーザスコアリングを可能にし、リスクアセスメントとインセンティブ設計の改善をサポートする。
• 参考スコア（独自算出の注目度）: 0.4137962771143516
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As decentralized finance (DeFi) evolves, distinguishing between user behaviors - liquidity provision versus active trading - has become vital for risk modeling and on-chain reputation. We propose a behavioral scoring framework for Uniswap that assigns two complementary scores: a Liquidity Provision Score that assesses strategic liquidity contributions, and a Swap Behavior Score that reflects trading intent, volatility exposure, and discipline. The scores are constructed using rule-based blueprints that decompose behavior into volume, frequency, holding time, and withdrawal patterns. To handle edge cases and learn feature interactions, we introduce a deep residual neural network with densely connected skip blocks inspired by the U-Net architecture. We also incorporate pool-level context such as total value locked (TVL), fee tiers, and pool size, allowing the system to differentiate similar user behaviors across pools with varying characteristics. Our framework enables context-aware and scalable DeFi user scoring, supporting improved risk assessment and incentive design. Experiments on Uniswap v3 data show its usefulness for user segmentation and protocol-aligned reputation systems. Although we refer to our metric as zScore, it is independently developed and methodologically different from the cross-protocol system proposed by Udupi et al. Our focus is on role-specific behavioral modeling within Uniswap using blueprint logic and supervised learning.
• Abstract（参考訳）: 分散金融(DeFi)が発展するにつれて、リスクモデリングやオンチェーンの評判にとって、流動性提供とアクティブトレーディングというユーザ行動の区別が不可欠になっている。 本稿では, 戦略的流動性貢献を評価する流動性規定スコアと, 取引意図, ボラティリティ露出, 規律を反映したスワップ行動スコアの2つの相補的なスコアを割り当てる, ユニスワップの行動スコアフレームワークを提案する。 スコアはルールベースのブループリントを使用して構築され、振る舞いをボリューム、周波数、保持時間、離脱パターンに分解する。 エッジケースを処理し,特徴相互作用を学習するために,U-Netアーキテクチャにインスパイアされた密結合型スキップブロックを持つディープ残差ニューラルネットワークを導入する。 また、総値ロック(TVL)、料金ティア、プールサイズなどのプールレベルのコンテキストも取り入れており、様々な特性を持つプール間で類似したユーザ動作を区別することができる。 我々のフレームワークは、コンテキスト認識とスケーラブルなDeFiユーザスコアリングを可能にし、リスクアセスメントとインセンティブ設計の改善をサポートする。 Uniswap v3データに関する実験は、ユーザセグメンテーションとプロトコルに準拠した評価システムに有用であることを示している。 我々はこの指標をzScoreと呼んでいるが、ウドゥピらによって提案されたクロスプロトコールシステムとは独立に開発され、方法論的に異なる。

関連論文リスト

• VoteFlow: Enforcing Local Rigidity in Self-Supervised Scene Flow [4.515315183243291]
  シーンフロー推定は、2つの隣接するLiDARスキャンから点当たりの動きを復元することを目的としている。 自律運転のような現実世界のアプリケーションでは、ポイントが他と独立して動くことは滅多にない。 ニューラルネットワーク設計に軽量なアドオンモジュールを導入し、エンドツーエンドの学習を可能にした。
  論文  参考訳（メタデータ） (2025-03-28T11:06:27Z)
• AttenScribble: Attentive Similarity Learning for Scribble-Supervised Medical Image Segmentation [5.8447004333496855]
  本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。 我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。 この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
  論文  参考訳（メタデータ） (2023-12-11T18:42:18Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Learning Target-aware Representation for Visual Tracking via Informative Interactions [49.552877881662475]
  トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。 提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
  論文  参考訳（メタデータ） (2022-01-07T16:22:27Z)
• Deep Graph Convolutional Reinforcement Learning for Financial Portfolio Management -- DeepPocket [6.85316573653194]
  ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することにより、リスクを最小限に抑えながら投資収益の最大化を目指します。 金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。 DeepPocketは3つの異なる投資期間で5つの実生活データセットに対して評価される。
  論文  参考訳（メタデータ） (2021-05-06T15:07:36Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)

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。