論文の概要: Smart Contract Intent Detection with Pre-trained Programming Language Model

• arxiv url: http://arxiv.org/abs/2508.20086v1
• Date: Wed, 27 Aug 2025 17:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.727671
• Title: Smart Contract Intent Detection with Pre-trained Programming Language Model
• Title（参考訳）: 事前学習型プログラミング言語モデルを用いたスマートコントラクトインテント検出
• Authors: Youwei Huang, Jianwen Li, Sen Fang, Yao Li, Peng Yang, Bin Hu, Tao Zhang,
• Abstract要約: スマートコントラクト開発における悪意ある意図は、経済的にかなりの損失をもたらす可能性がある。 SmartIntentNNは、スマートコントラクトにおける安全でない意図を特定するために特別に設計されたディープラーニングモデルである。 このモデルのアップグレード版であるSmartIntentNN2(Smart Contract Neural Network V2)を提案する。
• 参考スコア（独自算出の注目度）: 9.912402595777635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malicious intent in smart contract development can lead to substantial economic losses. SmartIntentNN is a deep learning model specifically designed to identify unsafe intents in smart contracts. This model integrates the Universal Sentence Encoder, a K-means clustering-based intent highlighting mechanism, and a Bidirectional Long Short-Term Memory network for multi-label classification, achieving an F1 of 0.8633 in distinguishing ten different intent categories. In this study, we present an upgraded version of this model, SmartIntentNN2 (Smart Contract Intent Neural Network V2). A significant enhancement in V2 is the incorporation of a BERT-based pre-trained language model, which has been trained on a dataset of 16,000 real smart contracts using a Masked Language Modeling objective. SmartIntentNN2 retains the BiLSTM-based multi-label classification network. With an improved F1 of 0.927, V2 demonstrates enhanced performance compared to its predecessor, establishing itself as the state-of-the-art model for smart contract intent detection.
• Abstract（参考訳）: スマートコントラクト開発における悪意ある意図は、経済的にかなりの損失をもたらす可能性がある。 SmartIntentNNは、スマートコントラクトにおける安全でない意図を特定するために特別に設計されたディープラーニングモデルである。 このモデルは、K平均クラスタリングに基づくインテントハイライト機構であるUniversal Sentence Encoderと、マルチラベル分類のための双方向長短期メモリネットワークを統合し、10種類のインテントカテゴリを区別するF1を0.8633とする。 本研究では,このモデルのアップグレード版であるSmartIntentNN2(Smart Contract Intent Neural Network V2)を提案する。 V2の大幅な強化はBERTベースの事前訓練型言語モデルの導入であり、Masked Language Modelingの目的を用いて、16,000のリアルスマートコントラクトのデータセットでトレーニングされている。 SmartIntentNN2はBiLSTMベースのマルチラベル分類ネットワークを維持している。 0.927のF1の改良により、V2は前機種に比べて性能が向上し、スマートコントラクトインテント検出の最先端モデルとしての地位を確立した。

関連論文リスト

• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Prompt Tuning for Zero-shot Compositional Learning [53.090335182962605]
  本稿では,Multi-Modal Prompt Tuning (MMPT) というフレームワークを提案する。 UT-Zapposデータセットでは、MMPTはAUCのスコアを29.8ドルまで押し上げ、前のベストスコアは26.5ドルとした。 より困難なMIT-Statesデータセットでは、AUCのMMPTスコアが現在の最先端の1.5倍向上している。
  論文  参考訳（メタデータ） (2023-12-02T07:32:24Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• SmartIntentNN: Towards Smart Contract Intent Detection [5.9789082082171525]
  スマートコントラクトにおける開発者の意図の検出を自動化するためのディープラーニングベースのツールであるtextscSmartIntentNN(Smart Contract Intent Neural Network)を紹介した。 提案手法では,スマートコントラクトコードのコンテキスト表現にユニバーサル文を統合するとともに,K平均クラスタリングアルゴリズムを用いて,インテント関連コード特徴の強調を行う。 実世界の1万件のスマートコントラクトの評価は、textscSmartIntentNNがすべてのベースラインを越え、F1スコアの0.8633を達成していることを示している。
  論文  参考訳（メタデータ） (2022-11-24T15:36:35Z)
• Deep Smart Contract Intent Detection [5.642524477190184]
  textscSmartIntentNNは、スマートコントラクトにおける開発意図を自動的に検出するように設計されたディープラーニングモデルである。 我々は4万以上の現実世界のスマートコントラクトを含むデータセットでtextscSmartIntentNNをトレーニングし、評価した。
  論文  参考訳（メタデータ） (2022-11-19T15:40:26Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• 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。