論文の概要: Detecting Rug Pulls in Decentralized Exchanges: Machine Learning Evidence from the TON Blockchain

• arxiv url: http://arxiv.org/abs/2509.01168v1
• Date: Mon, 01 Sep 2025 06:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.562756
• Title: Detecting Rug Pulls in Decentralized Exchanges: Machine Learning Evidence from the TON Blockchain
• Title（参考訳）: 分散取引所におけるラグプルの検出:TONブロックチェーンによるマシンラーニングの証拠
• Authors: Dmitry Yaremus, Jianghai Li, Alisa Kalacheva, Igor Vodolazov, Yury Yanovich,
• Abstract要約: 本稿では,分散取引所(DEX)におけるラグプル詐欺の早期検出のための機械学習フレームワークを提案する。 我々は2つの大きなTON DEX(Ston.FiとDeDust)について包括的な研究を行い、両方のプラットフォームからデータを集めてモデルを訓練する。 本手法は, アイドル法がリコール時に有効であるのに対して, TVL法はAUC(最大0.891)に優れており, グラディエントブースティングモデルは, 取引開始後5分以内にラグプルを効果的に識別できることを実証する。
• 参考スコア（独自算出の注目度）: 0.1522374059398944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a machine learning framework for the early detection of rug pull scams on decentralized exchanges (DEXs) within The Open Network (TON) blockchain. TON's unique architecture, characterized by asynchronous execution and a massive web2 user base from Telegram, presents a novel and critical environment for fraud analysis. We conduct a comprehensive study on the two largest TON DEXs, Ston.Fi and DeDust, fusing data from both platforms to train our models. A key contribution is the implementation and comparative analysis of two distinct rug pull definitions--TVL-based (a catastrophic liquidity withdrawal) and idle-based (a sudden cessation of all trading activity)--within a single, unified study. We demonstrate that Gradient Boosting models can effectively identify rug pulls within the first five minutes of trading, with the TVL-based method achieving superior AUC (up to 0.891) while the idle-based method excels at recall. Our analysis reveals that while feature sets are consistent across exchanges, their underlying distributions differ significantly, challenging straightforward data fusion and highlighting the need for robust, platform-aware models. This work provides a crucial early-warning mechanism for investors and enhances the security infrastructure of the rapidly growing TON DeFi ecosystem.
• Abstract（参考訳）: 本稿では,分散取引所(DEX)におけるルーグプル詐欺の早期検出のための機械学習フレームワークを提案する。 非同期実行とTelegramのWeb2ユーザベースを特徴とするTONのユニークなアーキテクチャは、不正分析のための新しくて重要な環境を提供する。 我々は2つの大きなTON DEX、Ston.FiとDeDustについて包括的な研究を行い、両方のプラットフォームからのデータを融合してモデルを訓練する。 主要な貢献は、TVLに基づく(破滅的な流動性離脱)とアイドルに基づく(すべての取引活動の突然の停止)という2つの異なるルーグプル定義の実装と比較分析である。 本手法は, アイドル法がリコール時に有効であるのに対して, TVL法はAUC(最大0.891)に優れており, グラディエントブースティングモデルは, 取引開始後5分以内にラグプルを効果的に識別できることを実証する。 我々の分析によると、機能セットは交換所間で一貫性があるが、その基盤となる分布は著しく異なり、単純なデータ融合に挑戦し、堅牢でプラットフォーム対応のモデルの必要性を強調している。 この作業は、投資家にとって重要な早期警戒メカニズムを提供し、急速に成長しているTON DeFiエコシステムのセキュリティ基盤を強化する。

関連論文リスト

• Decomposing the Entropy-Performance Exchange: The Missing Keys to Unlocking Effective Reinforcement Learning [106.68304931854038]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の推論能力を高めるために広く用いられている。 我々は,RLVRのエントロピー・パフォーマンス交換機構を,異なるレベルの粒度で系統的に解析する。 分析の結果, 上昇段階において, 負のサンプルのエントロピー減少は効果的な推論パターンの学習を促進することが明らかとなった。 プラトー段階では、学習効率は、低エントロピーのサンプルに存在する高エントロピートークンと、シーケンスの終端に位置するトークンと強く相関する。
  論文  参考訳（メタデータ） (2025-08-04T10:08:10Z)
• AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
  本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。 新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
  論文  参考訳（メタデータ） (2024-07-29T10:26:52Z)
• A Dataset of Uniswap daily transaction indices by network [1.8291790356553643]
  DeFi(Decentralized Finance)は、仲介者なしで直接取引を可能にすることで、従来の金融を再構築している。 レイヤ2(L2)ソリューションは、レイヤ1(L1)システムを超えた、DeFiエコシステムのスケーラビリティと効率を高めるために登場しています。 この研究は、L1ネットワークとL2ネットワークの両方にわたる主要な分散取引であるUnixwapから5000万件以上のトランザクションを分析し、ギャップを埋める。
  論文  参考訳（メタデータ） (2023-12-05T10:53:46Z)
• Secure Decentralized Learning with Blockchain [13.795131629462798]
  Federated Learning(FL)は、モバイルとIoTデバイスにおける分散機械学習のパラダイムとしてよく知られている。 FLにおける単一障害点問題を回避するため、分散学習(DFL)がモデル集約にピアツーピア通信を使用することが提案されている。
  論文  参考訳（メタデータ） (2023-10-10T23:45:17Z)
• Defending Against Poisoning Attacks in Federated Learning with Blockchain [12.840821573271999]
  ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。 本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
  論文  参考訳（メタデータ） (2023-07-02T11:23:33Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)

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。