論文の概要: Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling

• arxiv url: http://arxiv.org/abs/2603.13830v1
• Date: Sat, 14 Mar 2026 08:25:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.432114
• Title: Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling
• Title（参考訳）: マルチグラニュラリティウォッシュトレーディングパターンプロファイリングによるBSCドームの早期ラッシュプル警告
• Authors: Dingding Cao, Bianbian Jiao, Jingzong Yang, Yujing Zhong, Wei Yang,
• Abstract要約: 分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
• 参考スコア（独自算出の注目度）: 3.1262100364392205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high-frequency issuance and short-cycle speculation of meme tokens in decentralized finance (DeFi) have significantly amplified rug-pull risk. Existing approaches still struggle to provide stable early warning under scarce anomalies, incomplete labels, and limited interpretability. To address this issue, an end-to-end warning framework is proposed for BSC meme tokens, consisting of four stages: dataset construction and labeling, wash-trading pattern feature modeling, risk prediction, and error analysis. Methodologically, 12 token-level behavioral features are constructed based on three wash-trading patterns (Self, Matched, and Circular), unifying transaction-, address-, and flow-level signals into risk vectors. Supervised models are then employed to output warning scores and alert decisions. Under the current setting (7 tokens, 33,242 records), Random Forest outperforms Logistic Regression on core metrics, achieving AUC=0.9098, PR-AUC=0.9185, and F1=0.7429. Ablation results show that trade-level features are the primary performance driver (Delta PR-AUC=-0.1843 when removed), while address-level features provide stable complementary gain (Delta PR-AUC=-0.0573). The model also demonstrates actionable early-warning potential for a subset of samples, with a mean Lead Time (v1) of 3.8133 hours. The error profile (FP=1, FN=8) indicates that the current system is better positioned as a high-precision screener rather than a high-recall automatic alarm engine. The main contributions are threefold: an executable and reproducible rug-pull warning pipeline, empirical validation of multi-granularity wash-trading features under weak supervision, and deployment-oriented evidence through lead-time and error-bound analysis.
• Abstract（参考訳）: 分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。 方法では、12のトークンレベルの行動特徴は、3つのハッシュトレーディングパターン(Self、Matched、Circular)に基づいて構築され、トランザクション、アドレス、フローレベルの信号をリスクベクトルに統一する。 監視されたモデルを使用して警告スコアと警告決定を出力する。 現在の設定(7つのトークン、33,242レコード)では、ランダムフォレストは、AUC=0.9098、PR-AUC=0.9185、F1=0.7429を達成し、ロジスティック回帰に勝っている。 アブレーションの結果、トレードレベル機能は主要なパフォーマンスドライバ(Delta PR-AUC=-0.1843)であり、アドレスレベル機能は安定した相補的ゲインを提供する(Delta PR-AUC=-0.0573)。 このモデルはまた、サンプルのサブセットに対して実行可能な早期警戒電位を示し、平均リード時間(v1)は3.8133時間である。 誤差プロファイル (FP=1, FN=8) は、現在のシステムは、高速自動警報エンジンではなく、高精度スクリーニング器として配置されていることを示す。 主な貢献は3つある: 実行可能で再現可能なラグプル警告パイプライン、弱い監督下での多粒度洗浄処理機能の実証検証、リードタイムとエラーバウンド分析によるデプロイメント指向のエビデンス。

関連論文リスト

• LROO Rug Pull Detector: A Leakage-Resistant Framework Based on On-Chain and OSINT Signals [1.0382948833881696]
  rug pullはスマートコントラクトベースのエコシステムにおける最も一般的な攻撃の1つです。 本稿では,早期のラグプル検出のためのリーク・アウェア・フレームワークを提案する。 オンチェーンの行動メトリクスと時間的に整合したオープンソースインテリジェンス(OSINT)信号を統合する。
  論文  参考訳（メタデータ） (2026-03-11T21:35:53Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• LLM-Grounded Explainable AI for Supply Chain Risk Early Warning via Temporal Graph Attention Networks [0.5653106385738822]
  重要な物流ノードの破壊は、世界的なサプライチェーンに深刻なリスクをもたらす。 本稿では,ボトルネック予測と忠実な自然言語リスク説明を共同で行うエビデンス基盤フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T05:07:40Z)
• ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
  IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。 本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。 時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
  論文  参考訳（メタデータ） (2026-02-26T23:20:42Z)
• Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
  現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。 これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。 我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-20T23:38:03Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• The 'Sure' Trap: Multi-Scale Poisoning Analysis of Stealthy Compliance-Only Backdoors in Fine-Tuned Large Language Models [10.377264470934843]
  大きな言語モデルに対するバックドア攻撃は、通常、暗黙の悪意のある出力に秘密のトリガーを伴います。 我々はコンプライアンスのみのバックドアを導入し、ほぼ良質なデータセットで教師付き微調整を行い、プロンプトの小さなサブセットを任意の単一ワードトリガでサフィックスする。 本研究は, 毒性予算, 総微調整データセットサイズ, モデルサイズにまたがる, この良性ラベル中毒行動のマルチスケール解析を行った。
  論文  参考訳（メタデータ） (2025-11-16T02:01:58Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• INSIGHT: INference-time Sequence Introspection for Generating Help Triggers in Vision-Language-Action Models [2.509305596181814]
  最近のVision-Language-Action(VLA)モデルは強力な一般化能力を示しているが、失敗を予測したり、人間の上司に助けを求めるための内省的なメカニズムは欠如している。 トークンレベルの不確実性信号を利用してVLAがいつ助けを求めるべきかを予測する学習フレームワークである textbfINSIGHT を提案する。
  論文  参考訳（メタデータ） (2025-10-01T19:22:48Z)
• R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
  CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。 CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。 トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T08:14:36Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)

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。