論文の概要: Improving Cryptocurrency Pump-and-Dump Detection through Ensemble-Based Models and Synthetic Oversampling Techniques
- arxiv url: http://arxiv.org/abs/2510.00836v1
- Date: Wed, 01 Oct 2025 12:46:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 14:32:17.204865
- Title: Improving Cryptocurrency Pump-and-Dump Detection through Ensemble-Based Models and Synthetic Oversampling Techniques
- Title（参考訳）: アンサンブルモデルと合成オーバサンプリングによる暗号型ポンプ・ダンプ検出の改善
- Authors: Jieun Yu, Minjung Park, Sangmi Chai,
- Abstract要約: 本研究では,暗号通貨市場におけるポンプ・ダンプ(P&D)の操作を検出することを目的とする。
SMOTEの適用により、すべてのモデルがP&Dイベントを検出する能力が大きく向上した。
- 参考スコア（独自算出の注目度）: 0.3568466510804538
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study aims to detect pump and dump (P&D) manipulation in cryptocurrency markets, where the scarcity of such events causes severe class imbalance and hinders accurate detection. To address this issue, the Synthetic Minority Oversampling Technique (SMOTE) was applied, and advanced ensemble learning models were evaluated to distinguish manipulative trading behavior from normal market activity. The experimental results show that applying SMOTE greatly enhanced the ability of all models to detect P&D events by increasing recall and improving the overall balance between precision and recall. In particular, XGBoost and LightGBM achieved high recall rates (94.87% and 93.59%, respectively) with strong F1-scores and demonstrated fast computational performance, making them suitable for near real time surveillance. These findings indicate that integrating data balancing techniques with ensemble methods significantly improves the early detection of manipulative activities, contributing to a fairer, more transparent, and more stable cryptocurrency market.
- Abstract（参考訳）: 本研究では,暗号通貨市場におけるポンプ・ダンプ(P&D)操作の検出を目的とした。
この問題に対処するために、SMOTE(Synthetic Minority Oversampling Technique)を適用し、通常の市場活動とマニピュティブトレーディングの振る舞いを区別するために、高度なアンサンブル学習モデルを評価した。
実験の結果、SMOTEの適用により、リコールの増加と精度とリコールの全体的なバランスの改善により、すべてのモデルでP&Dイベントを検出する能力が大きく向上した。
特に、XGBoostとLightGBMは強いF1スコアを持つ高いリコールレート(それぞれ94.87%と93.59%)を達成し、高速な計算性能を示し、ほぼリアルタイムな監視に適していた。
これらの結果から,データバランス技術とアンサンブル手法を組み合わせることで,操作活動の早期検出が大幅に向上し,より公平で透明性が高く,より安定した暗号通貨市場に寄与することが示唆された。
関連論文リスト
- A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books [0.0]
本研究は,暗号通貨制限順序書(LOB)における実時間異常識別のための頑健な統計手法と高度な機械学習手法の比較分析を行う。
我々は13の多様なモデルの有効性を評価し、どのアプローチが潜在的にマニピュティブな取引行動を検出するのに最も適しているかを同定する。
主要な取引所から26,204レコードのデータセットをバックテストして実施した経験的評価は、最高性能のモデルであるEmpirical Covariance (EC)が6.70%向上し、標準のBuy-and-Holdベンチマークを大幅に上回ったことを示している。
論文 参考訳（メタデータ） (2025-07-20T13:42:36Z) - A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data [12.06584491356733]
本稿では,外国為替市場のマイクロ構造における異常な挙動を検出するための,段階的スライディングウインドウトランスフォーマーアーキテクチャに基づくアルゴリズムを提案する。
本手法は,多段階の時間的特徴を段階的スライディングウィンドウを通じて捕捉し,トランスフォーマーの自己注意機構と重み付けされた注意機構を組み合わせることで,グローバルおよびローカルな依存関係を抽出する。
論文 参考訳（メタデータ） (2025-03-31T23:14:31Z) - A Data Balancing and Ensemble Learning Approach for Credit Card Fraud Detection [1.8921747725821432]
本研究では,SMOTE-KMEANS手法とアンサンブル機械学習モデルを組み合わせることで,クレジットカード不正を識別する革新的な手法を提案する。
提案モデルは、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシンといった従来のモデルと比較された。
その結果,提案モデルでは,SMOTE-KMEANSアルゴリズムと組み合わせたAUCが0.96と優れた性能を示した。
論文 参考訳（メタデータ） (2025-03-27T04:59:45Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳（メタデータ） (2024-11-19T09:16:25Z) - 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) - Advanced Payment Security System:XGBoost, LightGBM and SMOTE Integrated [16.906931748453342]
本研究では,XGBoostとLightGBMに基づく高度な機械学習モデルの適用について検討する。
高度に相関した特徴を選択することで,トレーニングプロセスの強化とモデル性能の向上を図った。
我々は,SMOTEとXGBoostとLightGBMの組み合わせが,支払いセキュリティ保護の極めて効率的かつ強力なメカニズムを提供することを明らかにした。
論文 参考訳（メタデータ） (2024-06-07T05:56:43Z) - Securing Transactions: A Hybrid Dependable Ensemble Machine Learning
Model using IHT-LR and Grid Search [2.4374097382908477]
本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。
実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。
提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
論文 参考訳（メタデータ） (2024-02-22T09:01:42Z) - Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。
このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
論文 参考訳（メタデータ） (2024-01-29T03:42:37Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳（メタデータ） (2023-01-18T04:54:58Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z)
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。