論文の概要: TAS-GNN: A Status-Aware Signed Graph Neural Network for Anomaly Detection in Bitcoin Trust Systems

• arxiv url: http://arxiv.org/abs/2603.13290v1
• Date: Sat, 28 Feb 2026 04:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.272137
• Title: TAS-GNN: A Status-Aware Signed Graph Neural Network for Anomaly Detection in Bitcoin Trust Systems
• Title（参考訳）: TAS-GNN:Bitcoinトラストシステムにおける異常検出のための状態認識型グラフニューラルネットワーク
• Authors: Chang Xue, Fang Liu, Jiaye Wang, Jinming Xing, Chen Yang,
• Abstract要約: 金融プラットフォームはウェブ・オブ・トラストの評判システムに大きく依存している。 TAS-GNNは、Bitcoin-Alphaのような機能分離されたネットワーク用に設計された新しいフレームワークである。 実験により、TAS-GNNは最先端のパフォーマンスを達成し、既存のGNNベースラインを著しく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 5.394391343109767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized financial platforms rely heavily on Web of Trust reputation systems to mitigate counterparty risk in the absence of centralized identity verification. However, these pseudonymous networks are inherently vulnerable to adversarial behaviors, such as Sybil attacks and camouflaged fraud, where malicious actors cultivate artificial reputations before executing exit scams. Traditional anomaly detection in this domain faces two critical limitations. First, reliance on naive statistical heuristics (e.g., flagging the lowest 5% of rated users) fails to distinguish between victims of bad-mouthing attacks and actual fraudsters. Second, standard Graph Neural Networks (GNNs) operate on the assumption of homophily and cannot effectively process the semantic inversion inherent in signed (trust vs. distrust) and directed (status) edges. We propose TAS-GNN (Topology-Aware Signed Graph Neural Network), a novel framework designed for feature-sparse signed networks like Bitcoin-Alpha. TAS-GNN integrates recursive Web-of-Trust labeling and a dual-channel message-passing architecture that separately models trust and distrust signals, fused through a Status-Aware Attention mechanism. Experiments demonstrate that TAS-GNN achieves state-of-the-art performance, significantly outperforming existing signed GNN baselines.
• Abstract（参考訳）: 分散金融プラットフォームは、集中型アイデンティティ検証がない場合の対向的なリスクを軽減するために、Web of Trustの評判システムに大きく依存している。 しかし、これらの匿名ネットワークは、シビル攻撃や偽造詐欺のような敵の行動に本質的に脆弱であり、悪質なアクターが出口詐欺を実行する前に人工的な評判を育む。 この領域における従来の異常検出には2つの限界がある。 第一に、悪質な統計的ヒューリスティック(例えば、評価されたユーザーの最低5%にフラグを付ける)に依存すると、悪口攻撃の被害者と実際の詐欺師を区別できない。 第二に、標準グラフニューラルネットワーク(GNN)は、ホモフィリーの仮定で動作し、署名された(信頼対不信)および有向(統計)エッジに固有の意味的反転を効果的に処理できない。 我々は,Bitcoin-Alphaのような機能疎結合のネットワーク用に設計された新しいフレームワークであるTAS-GNN(Topology-Aware Signed Graph Neural Network)を提案する。 TAS-GNNは、再帰的なWeb-of-Trustラベリングと、信頼と不信を別々にモデル化するデュアルチャネルメッセージパッシングアーキテクチャを統合し、ステータス・アウェア・アテンション機構を通じて融合する。 実験により、TAS-GNNは最先端のパフォーマンスを達成し、既存のGNNベースラインを著しく上回っていることが示された。

関連論文リスト

• Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks [0.0]
  グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、グラフ同型ネットワーク(GIN)を統合したアンサンブルフレームワークを提案する。 実世界の楕円型データセットを用いて、調整されたソフト投票アンサンブルは、1%未満の偽陽性率を維持しながら不正取引の高いリコールを実現する。
  論文  参考訳（メタデータ） (2025-09-27T04:17:23Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Are Your Models Still Fair? Fairness Attacks on Graph Neural Networks via Node Injections [28.86365261170078]
  グラフニューラルネットワーク(GNN)では、悪意のある敵対的攻撃に直面した際の公正な脆弱性が明らかにされている。 我々は、より現実的な環境でGNNフェアネスの脆弱性を探求するノードインジェクションベースのフェアネスアタック(NIFA)を紹介する。 NIFAは、ノードの1%だけを注入することで、フェアネスを意識したGNNを含むメインストリームのGNNの公平性を著しく損なう可能性がある。
  論文  参考訳（メタデータ） (2024-06-05T08:26:53Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• Certified Defense on the Fairness of Graph Neural Networks [86.14235652889242]
  グラフニューラルネットワーク(GNN)は,グラフベースのタスクにおいて,目立ったグラフ学習モデルとして登場した。 悪意のある攻撃者は、入力グラフデータに摂動を追加することで、予測の公平度を容易に損なうことができる。 本稿では, ELEGANT というフレームワークを提案し, GNN の公正度レベルにおける認証防御の新たな課題について検討する。
  論文  参考訳（メタデータ） (2023-11-05T20:29:40Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• Uncertainty-aware Attention Graph Neural Network for Defending Adversarial Attacks [21.63854538768414]
  既存のグラフニューラルネットワーク(GNN)は予測のブラックボックスとして機能し、予測の不確実性を提供しない。 我々は、GNNに対する敵攻撃を防御する最初の体系的ソリューションであるUAGを提案する。 提案する防衛手法は,最先端のソリューションよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-09-22T00:46:40Z)

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。