論文の概要: HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling

• arxiv url: http://arxiv.org/abs/2509.03260v1
• Date: Wed, 03 Sep 2025 12:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.511815
• Title: HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling
• Title（参考訳）: HyPV-LEAD: データ駆動構造・テンポラルモデリングによる暗号通貨異常の積極的な早期発見
• Authors: Minjung Park, Gyuyeon Na, Soyoun Kim, Sunyoung Moon, HyeonJeong Cha, Sangmi Chai,
• Abstract要約: 異常な暗号通貨取引は、金融の整合性にリスクをエスカレートさせる。 既存のアプローチは主にモデル中心であり、ポストホックである。 本稿では,データ駆動早期警告フレームワークHyPV-LEADを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Abnormal cryptocurrency transactions - such as mixing services, fraudulent transfers, and pump-and-dump operations -- pose escalating risks to financial integrity but remain notoriously difficult to detect due to class imbalance, temporal volatility, and complex network dependencies. Existing approaches are predominantly model-centric and post hoc, flagging anomalies only after they occur and thus offering limited preventive value. This paper introduces HyPV-LEAD (Hyperbolic Peak-Valley Lead-time Enabled Anomaly Detection), a data-driven early-warning framework that explicitly incorporates lead time into anomaly detection. Unlike prior methods, HyPV-LEAD integrates three innovations: (1) window-horizon modeling to guarantee actionable lead-time alerts, (2) Peak-Valley (PV) sampling to mitigate class imbalance while preserving temporal continuity, and (3) hyperbolic embedding to capture the hierarchical and scale-free properties of blockchain transaction networks. Empirical evaluation on large-scale Bitcoin transaction data demonstrates that HyPV-LEAD consistently outperforms state-of-the-art baselines, achieving a PR-AUC of 0.9624 with significant gains in precision and recall. Ablation studies further confirm that each component - PV sampling, hyperbolic embedding, and structural-temporal modeling - provides complementary benefits, with the full framework delivering the highest performance. By shifting anomaly detection from reactive classification to proactive early-warning, HyPV-LEAD establishes a robust foundation for real-time risk management, anti-money laundering (AML) compliance, and financial security in dynamic blockchain environments.
• Abstract（参考訳）: サービスの混合、不正取引、ポンプ・アンド・ダンプ操作などの異常な暗号通貨取引は、金融の完全性に対するリスクをエスカレートするが、階級不均衡、時間的ボラティリティ、複雑なネットワーク依存による検出は極めて困難である。 既存のアプローチは主にモデル中心でポストホックであり、発生後にのみ異常を警告し、限定的な予防価値を提供する。 本稿では,HyPV-LEAD(Hyperbolic Peak-Valley Lead-time Enabled Anomaly Detection)を提案する。 従来の方法とは異なり、HyPV-LEADは、(1)行動可能なリードタイム警告を保証するウィンドウホライゾンモデリング、(2)時間的連続性を維持しながらクラス不均衡を緩和するためのピーク・ヴァレー(PV)サンプリング、(3)階層的およびスケールレスなブロックチェーントランザクションネットワークのプロパティをキャプチャするためのハイパーボリック埋め込みという3つのイノベーションを統合している。 大規模なBitcoin取引データに対する実証的な評価は、HyPV-LEADが最先端のベースラインを一貫して上回り、PR-AUCの0.9624を精度とリコールで達成していることを示している。 アブレーション研究により、各コンポーネント(PVサンプリング、双曲埋め込み、構造的時間的モデリング)が相補的な利点をもたらし、完全なフレームワークが最高のパフォーマンスを提供することを確認した。 リアクティブな分類から積極的に早期警告に移行することで、HyPV-LEADは、リアルタイムリスク管理、アンチマネーロンダリング(AML)コンプライアンス、動的ブロックチェーン環境における金融セキュリティの堅牢な基盤を確立する。

関連論文リスト

• StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum [1.6492745888221318]
  世界の違法なファンドフローは年間3.1兆ドルを超えており、流動性のために洗剤として好まれる。 本研究では、データセットを分析し、行動特徴を用いてロバストなAMLフレームワークを開発する。 高精度検出を自動化することにより、イノベーションを損なうことなく、経済的不作為の経済的コストを効果的に高めるアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-19T21:13:39Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Optimistic TEE-Rollups: A Hybrid Architecture for Scalable and Verifiable Generative AI Inference on Blockchain [4.254924788681319]
  我々は制約を調和させるハイブリッド検証プロトコルであるOptimistic TEE-Rollups (OTR)を紹介する。 OTRは集中ベースラインのスループットの99%を達成している。
  論文  参考訳（メタデータ） (2025-12-23T09:16:41Z)
• OPV: Outcome-based Process Verifier for Efficient Long Chain-of-Thought Verification [91.15649744496834]
  本稿では、長い思考の連鎖から要約された結果の合理化過程を検証する、アウトカムベースプロセス検証(OPV)を提案する。 OPV は 76.3 と比較して F1 スコアが 83.1 の Qwen3-Max-Preview など,はるかに大きなオープンソースモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-12-11T15:47:38Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Safe Low Bandwidth SPV: A Formal Treatment of Simplified Payment Verification Protocols and Security Bounds [0.0]
  我々は,SPVが有界対向仮定の下では安全であるだけでなく,スケーラブルで検証可能なトランザクション包含を必要とするデジタルキャッシュシステムに対して,厳密に最適であることを示す。 この文書は、セキュアなSPV実装のための青写真と、無効なクライアントを取り巻く一般的な誤解の反論として機能する。
  論文  参考訳（メタデータ） (2025-07-01T13:44:48Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions [0.0]
  分散ファイナンス(DeFi)は、不正アカウントの拡散など、重大なセキュリティリスクを導入している。 従来の検出方法は、ラベル付きデータの不足と悪意あるアクターの進化戦略によって制限される。 本稿では,これらの課題に対処するために,自己学習型Illicitアカウント検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T12:03:13Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Modeling Inverse Demand Function with Explainable Dual Neural Networks [7.502222179088035]
  本稿では、2つの連続した段階で動作する新しいデュアルニューラルネットワーク構造を提案する。 第1のニューラルネットワークは初期ショックを予測された資産の流動にマッピングし、第2のネットワークはこれらの流動を利用して平衡価格を導出する。 我々のモデルは、予測と真の清算の間に強い整合性を示しながら、初期ショックのみに基づいて均衡資産価格を正確に予測することができる。
  論文  参考訳（メタデータ） (2023-07-26T17:41:51Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)

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。