論文の概要: DeXposure-FM: A Time-series, Graph Foundation Model for Credit Exposures and Stability on Decentralized Financial Networks

• arxiv url: http://arxiv.org/abs/2602.03981v1
• Date: Tue, 03 Feb 2026 20:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.260408
• Title: DeXposure-FM: A Time-series, Graph Foundation Model for Credit Exposures and Stability on Decentralized Financial Networks
• Title（参考訳）: DeXposure-FM:分散型金融ネットワークにおける信用公開と安定のための時系列グラフ基盤モデル
• Authors: Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He,
• Abstract要約: 分散ファイナンス(DeFi)の信用露出は暗黙的でトークンを介し、プロトコール間の依存関係の密集したWebを作ることが多い。 本稿では,最初の時系列グラフ基盤モデルであるDeXposure-FMについて紹介する。
• 参考スコア（独自算出の注目度）: 19.267203167142505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit exposure in Decentralized Finance (DeFi) is often implicit and token-mediated, creating a dense web of inter-protocol dependencies. Thus, a shock to one token may result in significant and uncontrolled contagion effects. As the DeFi ecosystem becomes increasingly linked with traditional financial infrastructure through instruments, such as stablecoins, the risk posed by this dynamic demands more powerful quantification tools. We introduce DeXposure-FM, the first time-series, graph foundation model for measuring and forecasting inter-protocol credit exposure on DeFi networks, to the best of our knowledge. Employing a graph-tabular encoder, with pre-trained weight initialization, and multiple task-specific heads, DeXposure-FM is trained on the DeXposure dataset that has 43.7 million data entries, across 4,300+ protocols on 602 blockchains, covering 24,300+ unique tokens. The training is operationalized for credit-exposure forecasting, predicting the joint dynamics of (1) protocol-level flows, and (2) the topology and weights of credit-exposure links. The DeXposure-FM is empirically validated on two machine learning benchmarks; it consistently outperforms the state-of-the-art approaches, including a graph foundation model and temporal graph neural networks. DeXposure-FM further produces financial economics tools that support macroprudential monitoring and scenario-based DeFi stress testing, by enabling protocol-level systemic-importance scores, sector-level spillover and concentration measures via a forecast-then-measure pipeline. Empirical verification fully supports our financial economics tools. The model and code have been publicly available. Model: https://huggingface.co/EVIEHub/DeXposure-FM. Code: https://github.com/EVIEHub/DeXposure-FM.
• Abstract（参考訳）: 分散ファイナンス(DeFi)の信用露出は暗黙的でトークンを介し、プロトコール間の依存関係の密集したWebを作ることが多い。 したがって、1つのトークンに対するショックは、有意かつ制御不能な感染効果をもたらす可能性がある。 DeFiエコシステムは、安定化コインなどの機器を通じて従来の金融インフラとますます結びついているため、このダイナミックな定量化ツールによって引き起こされるリスクはより強力なものとなる。 本稿では,最初の時系列グラフ基盤モデルであるDeXposure-FMを紹介する。 トレーニング済みの重量初期化と複数のタスク固有のヘッドを備えたグラフタブラルエンコーダを使用して、DeXposure-FMは、602ブロックチェーン上の4300以上のプロトコル、24300以上のユニークなトークンを含む4370万のデータエントリを持つDeXposureデータセットでトレーニングされている。 本トレーニングは,(1)プロトコルレベルのフローのジョイントダイナミクスを予測し,(2)クレジット・エクスポージャーリンクのトポロジと重みを予測し,クレジット・エクスポージャー予測のために運用されている。 DeXposure-FMは、2つの機械学習ベンチマークで実験的に検証されている。グラフ基盤モデルや時間グラフニューラルネットワークなど、最先端のアプローチを一貫して上回っている。 DeXposure-FMは、プロトコルレベルのシステム重要度スコア、セクターレベルの流出、および予測時のパイプラインによる集中度測定を可能にすることにより、マクロプルーデンシャルモニタリングとシナリオベースのDeFiストレステストをサポートする金融経済学ツールをさらに生産する。 実証検証は、金融経済学ツールを完全にサポートしています。 モデルとコードは公開されています。 モデル:https://huggingface.co/EVIEHub/DeXposure-FM。 コード:https://github.com/EVIEHub/DeXposure-FM。

関連論文リスト

• Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
  マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。 我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
  論文  参考訳（メタデータ） (2026-01-24T05:32:50Z)
• DeXposure: A Dataset and Benchmarks for Inter-protocol Credit Exposure in Decentralized Financial Networks [21.810918962434712]
  DeXposureデータセットは、分散型金融ネットワークにおいて、プロトコール間クレジット露光のための最初の大規模データセットである。 2020年から2025年までの全世界で4370万のプロトコル、602のブロックチェーン、243万のトークンをカバーしている。 DeXposureデータセットとコードが公開された。
  論文  参考訳（メタデータ） (2025-11-27T10:44:14Z)
• Kronos: A Foundation Model for the Language of Financial Markets [42.048823655500115]
  金融Kラインモデリングに適した,統一的でスケーラブルな事前学習フレームワークであるKronosを提案する。 Kronosは、継続的な市場情報をトークンシーケンスに識別し、価格ダイナミクスと取引活動パターンの両方を保存する。 我々はKronosを、45のグローバル取引所から120億以上のKラインレコードの巨大なマルチマーケットコーパスで自己回帰目標を用いて事前訓練する。
  論文  参考訳（メタデータ） (2025-08-02T13:15:59Z)
• FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report [36.1999598554273]
  本稿では、古典的、量子的、量子ハイブリッドな機械学習モデルによる不正な金融活動のバイナリな行動分類の有効性について検討・比較する。 我々は、IBM Anti-Money Laundering (AML)データセット上で、さまざまなモデルを実装し、評価する。 実世界展開用に設計された実用的なAPI駆動システムアーキテクチャであるFD4QC(Fraud Detection for Quantum Computing)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:08:22Z)
• Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting [2.6396287656676733]
  本研究では、構造化データと連邦準備制度の通信からの非構造化テキスト信号を統合することにより、予測精度を向上させることができるかどうかを検討する。 以上の結果から,ハイブリッドモデルは単調なベースラインを一貫して上回ることがわかった。 金融政策予測では、より単純なハイブリッドモデルは正確性と解釈可能性の両方を提供し、研究者と意思決定者に実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-28T05:54:58Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• 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)
• Leveraging Machine Learning for Multichain DeFi Fraud Detection [5.213509776274283]
  本稿では,最も大きなチェーンを含むさまざまなチェーンから特徴を抽出するフレームワークを提案し,広範囲なデータセットで評価する。 XGBoostやニューラルネットワークなど、さまざまな機械学習手法を使用して、DeFiと対話する不正アカウントの検出を識別した。 本稿では,新しいDeFi関連機能の導入により,評価結果が大幅に改善されることを実証する。
  論文  参考訳（メタデータ） (2023-05-17T15:48:21Z)
• RARE: Robust Masked Graph Autoencoder [45.485891794905946]
  Masked graph autoencoder (MGAE) は、有望な自己教師付きグラフ事前学習(SGP)パラダイムとして登場した。 本稿では,ロバストmAsked gRaph autoEncoder (RARE) と呼ばれる新しいSGP手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T03:35:29Z)

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。