論文の概要: TM-RUGPULL: A Temporary Sound, Multimodal Dataset for Early Detection of RUG Pulls Across the Tokenized Ecosystem

• arxiv url: http://arxiv.org/abs/2602.21529v1
• Date: Wed, 25 Feb 2026 03:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.686344
• Title: TM-RUGPULL: A Temporary Sound, Multimodal Dataset for Early Detection of RUG Pulls Across the Tokenized Ecosystem
• Title（参考訳）: TM-RUGPULL - トークン化された生態系全体にわたるRUGパルスの早期検出のための一時音・マルチモーダルデータセット
• Authors: Fatemeh Shoaei, Mohammad Pishdar, Mozafar Bag-Mohammadi, Mojtaba Karami,
• Abstract要約: TM-RugPullはDeFi、ミームコイン、NFT、有名人をテーマとしたトークンにまたがる1,028のトークンプロジェクトのリーク耐性データセットである。 RugPullは、チェーンの振る舞い、スマートコントラクトメタデータ、OSINT信号に関するすべての特徴をプロジェクトのライフサイクルの前半から厳密に抽出することで、厳格な時間的衛生を強制する。
• 参考スコア（独自算出の注目度）: 1.0382948833881696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rug-pull attacks pose a systemic threat across the blockchain ecosystem, yet research into early detection is hindered by the lack of scientific-grade datasets. Existing resources often suffer from temporal data leakage, narrow modality, and ambiguous labeling, particularly outside DeFi contexts. To address these limitations, we present TM-RugPull, a rigorously curated, leakage-resistant dataset of 1,028 token projects spanning DeFi, meme coins, NFTs, and celebrity-themed tokens. RugPull enforces strict temporal hygiene by extracting all features on chain behavior, smart contract metadata, and OSINT signals strictly from the first half of each project's lifespan. Labels are grounded in forensic reports and longevity criteria, verified through multi-expert consensus. This dataset enables causally valid, multimodal analysis of rug-pull dynamics and establishes a new benchmark for reproducible fraud detection research.
• Abstract（参考訳）: Rug-pull攻撃はブロックチェーンエコシステム全体のシステム的脅威となるが、早期検出の研究は、科学的グレードのデータセットの欠如によって妨げられている。 既存のリソースは、時間的データ漏洩、狭いモダリティ、曖昧なラベリング、特にDeFiコンテキストの外部で悩まされることが多い。 TM-RugPullは、DeFi、ミームコイン、NFT、有名人をテーマとしたトークンを対象とする1,028のトークンプロジェクトからなる、厳格にキュレートされたリーク耐性データセットである。 RugPullは、チェーンの振る舞い、スマートコントラクトメタデータ、OSINT信号に関するすべての特徴をプロジェクトのライフサイクルの前半から厳密に抽出することで、厳格な時間的衛生を強制する。 ラベルは、複数の専門家の合意によって検証された、法医学的な報告と長寿の基準に基礎を置いている。 このデータセットは、ルーグプル力学の因果的妥当性とマルチモーダル解析を可能にし、再現可能な不正検出研究のための新しいベンチマークを確立する。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• From Pixels to Trajectory: Universal Adversarial Example Detection via Temporal Imprints [21.454396392842426]
  我々は,対立例(AE)攻撃による識別可能な時間的(または歴史的)軌跡のインプリントを公表した。 AE検出のためのTRAIT(TRaceable Adrial temporal trajectory ImprinTs)を提案する。 TRAIT は AE 検出精度が 97% を超え、多くの場合 99% 程度であり、偽の拒絶率 1% を維持している。
  論文  参考訳（メタデータ） (2025-03-06T06:00:04Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• LTRDetector: Exploring Long-Term Relationship for Advanced Persistent Threats Detection [20.360010908574303]
  Advanced Persistent Threat (APT) は, 持続時間, 発生頻度, 適応的隠蔽技術により, 検出が困難である。 既存のアプローチは主に、永続的な攻撃ライフサイクルを通じて形成された複雑な関係を無視して、攻撃行動の観測可能な特性に重点を置いている。 LTRDetectorと呼ばれる革新的なAPT検出フレームワークを提案し、エンド・ツー・エンドの全体的操作を実装した。
  論文  参考訳（メタデータ） (2024-04-04T02:30:51Z)
• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Unsupervised Anomaly Detection on Temporal Multiway Data [40.63064197740885]
  本研究は,データマトリックスが各ステップで観測される双方向データに焦点をあてる。 本研究では,時間的マルチウェイ異常検出のためのデータアレンジメントと教師なしトレーニングについて検討した。 これには圧縮圧縮、符号化予測、時間データの差分が含まれる。
  論文  参考訳（メタデータ） (2020-09-20T14:49:34Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。