Fugu-MT 論文翻訳(概要): DeepTx: Real-Time Transaction Risk Analysis via Multi-Modal Features and LLM Reasoning

論文の概要: DeepTx: Real-Time Transaction Risk Analysis via Multi-Modal Features and LLM Reasoning

arxiv url: http://arxiv.org/abs/2510.18438v1
Date: Tue, 21 Oct 2025 09:13:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 03:08:13.231304
Title: DeepTx: Real-Time Transaction Risk Analysis via Multi-Modal Features and LLM Reasoning
Title（参考訳）: DeepTx: マルチモーダル機能とLLM推論によるリアルタイムトランザクションリスク分析
Authors: Yixuan Liu, Xinlei Li, Yi Li,
Abstract要約: 本稿では,ユーザの確認前にその脅威を検出するリアルタイムトランザクション分析システムDeepTxを提案する。 DeepTxは保留中のトランザクションをシミュレートし、振る舞い、コンテキスト、UI機能を抽出し、トランザクションの意図を推論するために複数の大規模言語モデル(LLM)を使用する。
参考スコア（独自算出の注目度）: 4.976432459612249
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Phishing attacks in Web3 ecosystems are increasingly sophisticated, exploiting deceptive contract logic, malicious frontend scripts, and token approval patterns. We present DeepTx, a real-time transaction analysis system that detects such threats before user confirmation. DeepTx simulates pending transactions, extracts behavior, context, and UI features, and uses multiple large language models (LLMs) to reason about transaction intent. A consensus mechanism with self-reflection ensures robust and explainable decisions. Evaluated on our phishing dataset, DeepTx achieves high precision and recall (demo video: https://youtu.be/4OfK9KCEXUM).
Abstract（参考訳）: Web3エコシステムのフィッシング攻撃はますます洗練され、偽りのコントラクトロジック、悪意のあるフロントエンドスクリプト、トークン承認パターンが利用されるようになった。本稿では,ユーザの確認前にその脅威を検出するリアルタイムトランザクション分析システムDeepTxを提案する。 DeepTxは保留中のトランザクションをシミュレートし、振る舞い、コンテキスト、UI機能を抽出し、トランザクションの意図を推論するために複数の大規模言語モデル(LLM)を使用する。自己回帰を伴うコンセンサスメカニズムは、堅牢で説明可能な決定を保証する。フィッシングデータセットに基づいて、DeepTxは高い精度とリコールを達成する(デモビデオ:https://youtu.be/4OfK9KCEXUM)。

関連論文リスト

EDVD-LLaMA: Explainable Deepfake Video Detection via Multimodal Large Language Model Reasoning [58.42596067220998]
ディープフェイクビデオ技術は芸術的な創造を促進しただけでなく偽情報を広めやすくした従来のディープフェイクビデオ検出手法は、その原則の透明性の欠如や、偽造技術に対処する能力の不足といった問題に直面している。本稿では,Deepfake Video Detection (EDVD) タスクを提案し,EDVD-LLaMAマルチモーダル推論フレームワークを設計する。
論文参考訳（メタデータ） (2025-10-18T10:34:05Z)
RiskTagger: An LLM-based Agent for Automatic Annotation of Web3 Crypto Money Laundering Behaviors [65.80108147440863]
RiskTaggerは、Web3における暗号洗浄行動の自動アノテーションのための、大言語モデルベースのエージェントである。 RiskTaggerは、複雑な構造化されていないレポートからヒントを抽出し、マルチチェーントランザクションパスを推論し、監査者フレンドリな説明を生成する、という3つの重要な課題に対処することによって、人間のアノテータを置き換えたり、補完するように設計されている。
論文参考訳（メタデータ） (2025-10-12T08:54:28Z)
One Token Embedding Is Enough to Deadlock Your Large Reasoning Model [91.48868589442837]
我々は, LRMの生成制御フローをハイジャックする資源枯渇手法であるDeadlock Attackを提案する。提案手法は4つの先進LEMにおいて100%の攻撃成功率を達成する。
論文参考訳（メタデータ） (2025-10-12T07:42:57Z)
D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models [62.83226685925107]
Deceptive Reasoning Exposure Suite (D-REX)は、モデルの内部推論プロセスと最終的な出力との相違を評価するために設計された、新しいデータセットである。 D-REXの各サンプルには、敵システムプロンプト、エンドユーザーのテストクエリ、モデルの一見無害な応答、そして重要なことに、モデルの内部チェーンが含まれている。我々は、D-REXが既存のモデルと安全メカニズムに重大な課題をもたらすことを実証した。
論文参考訳（メタデータ） (2025-09-22T15:59:40Z)
PhishingHook: Catching Phishing Ethereum Smart Contracts leveraging EVM Opcodes [2.427531959511691]
PhishingHookは、スマートコントラクトにおけるフィッシングアクティビティを検出する機械学習技術を適用するフレームワークである。我々は、実世界のマルウェアスマートコントラクト7000を用いて、4つの主要なカテゴリ(ヒストグラム類似性、視覚モデル、言語モデル、脆弱性検出モデル)に属する16の手法を実験的に比較した。その結果,フィッシング分類システムにおけるPhishingHookの有効性が示され,各モデルの平均精度は約90%であった。
論文参考訳（メタデータ） (2025-06-24T10:16:47Z)
PhishDebate: An LLM-Based Multi-Agent Framework for Phishing Website Detection [13.177607247367211]
PhishDebateは、フィッシングWebサイト検出のためのモジュール型マルチエージェントLLMベースの議論フレームワークである。ウェブページの異なるテキストの側面を独立して分析するために、4つの専門エージェントを使用している。実世界のフィッシングデータセット上で98.2%のリコールと98.2%のTrue Positive Rate(TPR)を達成する。
論文参考訳（メタデータ） (2025-06-18T17:33:18Z)
ExtendAttack: Attacking Servers of LRMs via Extending Reasoning [27.205747119390846]
大規模推論モデル(LRM)は複雑なタスクにおいて有望な性能を示す。サーバのリソースを悪質に占有するために,ExtendedAttack と呼ばれる LRM に対する新たな攻撃手法を提案する。我々は,HumanEvalベンチマークのo3モデルに対して,ExtensionAttackがモデル応答長を2.5倍に向上することを示す。
論文参考訳（メタデータ） (2025-06-16T17:49:05Z)
Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
論文参考訳（メタデータ） (2025-04-07T03:57:41Z)
Debate-Driven Multi-Agent LLMs for Phishing Email Detection [0.0]
エージェント間の偽りの議論をシミュレートしてフィッシングメールを検出する多エージェント大規模言語モデル(LLM)を提案する。提案手法では,2つの LLM エージェントを用いて,最終判断を代弁する判断エージェントを用いて,分類課題の論拠を提示する。結果は、議論の構造自体が、余分なプロンプト戦略を伴わずに正確な決定を下すのに十分であることを示している。
論文参考訳（メタデータ） (2025-03-27T23:18:14Z)
EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。既存のディープラーニング技術と同等ですが、説明性が向上しています。自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
論文参考訳（メタデータ） (2025-03-22T23:37:35Z)
Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文参考訳（メタデータ） (2023-04-25T11:56:18Z)

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。