論文の概要: Leveraging Large Language Models to Bridge On-chain and Off-chain Transparency in Stablecoins
- arxiv url: http://arxiv.org/abs/2512.02418v1
- Date: Tue, 02 Dec 2025 05:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.727387
- Title: Leveraging Large Language Models to Bridge On-chain and Off-chain Transparency in Stablecoins
- Title（参考訳）: 大規模言語モデルを活用してスタブルコインのオンチェーンとオフチェーンの透明性を橋渡しする
- Authors: Yuexin Xiang, Yuchen Lei, SM Mahir Shazeed Rish, Yuanzhe Zhang, Qin Wang, Tsz Hon Yuen, Jiangshan Yu,
- Abstract要約: 構造化されていないテキストにロックされた、検証可能なオンチェーントレースとオフチェーンの開示をブリッジする、LLM(Big Language Model)ベースの自動化フレームワークを導入する。
以上の結果から,LCM支援分析はモダリティ間の透明性を高め,分散金融における自動データ駆動監査を支援することが示唆された。
- 参考スコア（独自算出の注目度）: 10.666951732730665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stablecoins such as USDT and USDC aspire to peg stability by coupling issuance controls with reserve attestations. In practice, however, the transparency is split across two worlds: verifiable on-chain traces and off-chain disclosures locked in unstructured text that are unconnected. We introduce a large language model (LLM)-based automated framework that bridges these two dimensions by aligning on-chain issuance data with off-chain disclosure statements. First, we propose an integrative framework using LLMs to capture and analyze on- and off-chain data through document parsing and semantic alignment, extracting key financial indicators from issuer attestations and mapping them to corresponding on-chain metrics. Second, we integrate multi-chain issuance records and disclosure documents within a model context protocol (MCP) framework that standardizes LLMs access to both quantitative market data and qualitative disclosure narratives. This framework enables unified retrieval and contextual alignment across heterogeneous stablecoin information sources and facilitates consistent analysis. Third, we demonstrate the capability of LLMs to operate across heterogeneous data modalities in blockchain analytics, quantifying discrepancies between reported and observed circulation and examining their implications for cross-chain transparency and price dynamics. Our findings reveal systematic gaps between disclosed and verifiable data, showing that LLM-assisted analysis enhances cross-modal transparency and supports automated, data-driven auditing in decentralized finance (DeFi).
- Abstract（参考訳）: USDTやUSDCなどのスタブルコインは、保留証明とイミネーション制御を結合することで、ペグ安定性を図っている。
しかし実際には、透明性は2つの世界に分かれている。オンチェーントレースの検証と、非構造化テキストにロックされたオフチェーン公開だ。
我々は,この2つの次元を橋渡しする,大規模言語モデル(LLM)ベースの自動フレームワークを紹介した。
まず、LCMを用いて文書解析とセマンティックアライメントを通じて、オンチェーンおよびオフチェーンデータのキャプチャと解析を行い、発行者の検証から主要な財務指標を抽出し、対応するオンチェーンメトリクスにマッピングする統合フレームワークを提案する。
第2に、LLMが定量市場データと定性的開示の物語の両方にアクセスすることを標準化するモデルコンテキストプロトコル(MCP)フレームワークに、マルチチェーンの発行記録と開示文書を統合する。
このフレームワークは、異種ステーブルコイン情報ソース間の統合検索とコンテキストアライメントを可能にし、一貫した解析を容易にする。
第三に、LLMがブロックチェーン分析における異種データモダリティをまたいで運用できること、報告された循環と観察された循環の相違を定量化すること、および、チェーン間の透明性と価格ダイナミクスに与える影響について検討する能力を示す。
以上の結果から,LLM支援分析がモダリティ間の透明性を高め,分散金融(DeFi)における自動データ駆動監査をサポートすることが明らかとなった。
関連論文リスト
- 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) - Transaction Profiling and Address Role Inference in Tokenized U.S. Treasuries [5.00898007095729]
Tokenized U.S. Treasuries has appeared as a prominent subclass of real-world assets (RWAs)
本稿では,米国財務省が支援するRWAトークンを,マルチチェーンネットワーク上で定量的に機能レベルに分解する。
論文 参考訳（メタデータ） (2025-07-20T03:54:06Z) - Token Communication in the Era of Large Models: An Information Bottleneck-Based Approach [55.861432910722186]
UniToComは、トークンを処理と無線通信の両方の基本的な単位として扱う統一トークン通信パラダイムである。
本稿では,重要な情報を保持するトークンの学習を容易にする生成情報ボトルネック(GenIB)の原理を提案する。
我々は、離散トークンと連続トークンの両方の処理を統合するために、因果変換器に基づくマルチモーダル言語モデル(MLLM)を受信機に採用する。
論文 参考訳（メタデータ） (2025-07-02T14:03:01Z) - Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。
非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-18T09:04:37Z) - Dynamic Feature Fusion: Combining Global Graph Structures and Local Semantics for Blockchain Fraud Detection [0.7510165488300369]
本稿では,グラフに基づく表現学習と意味的特徴抽出を組み合わせた動的特徴融合モデルを提案する。
我々は,グラフ構築,時間的特徴強調,テキスト前処理を含む包括的データ処理パイプラインを開発する。
大規模な実世界のブロックチェーンデータセットの実験結果は、我々の手法が既存のベンチマークを精度、F1スコア、リコールメトリクスで上回っていることを示している。
論文 参考訳（メタデータ） (2025-01-03T09:04:43Z) - Blockchain Data Analysis in the Era of Large-Language Models [21.81035847078574]
既存のブロックチェーンデータ分析ツールは、データの不足、一般化可能性の欠如、推論能力の欠如など、課題に直面している。
大きな言語モデル(LLM)がこれらの課題を軽減することができると信じています。
本稿では,LLM統合ブロックチェーンデータ分析における潜在的な技術と設計パターンを体系的に検討する。
論文 参考訳（メタデータ） (2024-12-09T07:32:35Z) - FinML-Chain: A Blockchain-Integrated Dataset for Enhanced Financial Machine Learning [2.0695662173473206]
本稿では、高周波オンチェーンデータと低周波オフチェーンデータを統合するためのフレームワークを提案する。
このフレームワークは、トランザクションフィーメカニズムのような経済メカニズムを分析するためのモジュラーデータセットを生成する。
我々は、金融研究を推進し、ブロックチェーン駆動システムの理解を改善するデータセットを作成できるフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2024-11-25T10:55:11Z) - Transforming Triple-Entry Accounting with Machine Learning: A Path to Enhanced Transparency Through Analytics [0.0]
Triple Entry(TE)会計は、ブロックチェーンのような複雑な金融およびサプライチェーントランザクションの透明性向上に役立つ。
機械学習(ML)は、TE会計の透明性の優位性を高めるための、有望な道を提供する。
TEブックキーピングに必要なデータ収集と分析の自動化によって、ML技術は、これをより透過的にする可能性がある。
論文 参考訳（メタデータ） (2024-11-19T08:58:44Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z)
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。