論文の概要: LiquiLM: Bridging the Semantic Gap in Liquidity Flaw Audit via DCN and LLMs
- arxiv url: http://arxiv.org/abs/2604.03860v1
- Date: Sat, 04 Apr 2026 20:49:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.801943
- Title: LiquiLM: Bridging the Semantic Gap in Liquidity Flaw Audit via DCN and LLMs
- Title（参考訳）: LiquiLM:DCNとLCMによる流動性欠陥監査におけるセマンティックギャップのブリッジ
- Authors: Zekai Liu, Xiaoqi Li, Wenkai Li, Zongwei Li,
- Abstract要約: 我々は,Large Language Models(LLM)と動的コアテンションネットワーク(DCN)を統合したLiquiLMフレームワークを提案する。
流動性クリティカルな契約と欠陥記述の間の動的相互作用を確立することで、このフレームワークは基盤となるコード実装と高レベルの流動性意図の間のセマンティックギャップを効果的に橋渡しする。
LiquiLMは238のハイリスク契約を特定し、CVE認証を受けた10の脆弱性の発見を支援する。
- 参考スコア（独自算出の注目度）: 7.012454472956686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional consensus mechanisms, such as Proof of Stake (PoS), increasingly reveal an excessive dependency on large liquidity providers. Although the Proof of Liquidity (PoL) mechanism serves as a critical paradigm for incentivizing sustained liquidity provision and ensuring market stability, its transition from asset staking to active liquidity management significantly increases the complexity of underlying smart contract economic models and interaction logic. This renders hidden liquidity logic flaws difficult to detect via traditional methods, seriously threatening the system stability and user asset security of mainstream DeFi and emerging PoL ecosystems. To address this, we propose the LiquiLM framework, which integrates Large Language Models (LLMs) with a Dynamic Co-Attention Network (DCN). By establishing a dynamic interaction between liquidity-critical contracts and flaw descriptions, the framework effectively bridges the semantic gap between underlying code implementations and high-level liquidity intents. We evaluate the performance of LiquiLM on 1,490 validation contracts (covering precision, recall, specificity, and F1-score). The results show that it achieves significant effectiveness in auditing and explaining liquidity flaws: in experiments using Gemini 3 Pro and GPT-4o as backbone models, respectively, the F1-scores both exceed 90%. Furthermore, through an in-depth audit of 1,380 real-world PoL and Ethereum economic contracts, LiquiLM successfully identifies 238 high-risk contracts and assists in discovering 10 vulnerabilities that have received CVE certification.
- Abstract（参考訳）: Proof of Stake (PoS)のような従来のコンセンサスメカニズムは、大規模流動性プロバイダへの過度な依存を明らかにしている。
Proof of Liquidity (PoL) メカニズムは、持続的流動性供給のインセンティブと市場の安定を保証するための重要なパラダイムとして機能するが、資産投資からアクティブ流動性管理への移行は、基礎となるスマートコントラクト経済モデルと相互作用ロジックの複雑さを著しく増大させる。
これにより、隠れた流動性ロジックの欠陥を従来の方法で検出することは困難になり、主流のDeFiと新興のPoLエコシステムのシステムの安定性とユーザ資産のセキュリティを深刻に脅かすことになる。
そこで我々は,Large Language Models (LLM) と Dynamic Co-Attention Network (DCN) を統合したLiquiLMフレームワークを提案する。
流動性クリティカルな契約と欠陥記述の間の動的相互作用を確立することで、このフレームワークは基盤となるコード実装と高レベルの流動性意図の間のセマンティックギャップを効果的に橋渡しする。
我々は,1,490の検証契約(精度,リコール,特異性,F1スコア)におけるLiquiLMの性能を評価する。
Gemini 3 Pro と GPT-4o をそれぞれバックボーンモデルとして用いた実験では,F1スコアが90%以上であった。
さらに、1380の現実世界のPoLとEthereum経済契約の詳細な監査を通じて、LiquiLMは238のハイリスク契約を特定し、CVE認証を受けた10の脆弱性の発見を支援している。
関連論文リスト
- StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum [1.6492745888221318]
世界の違法なファンドフローは年間3.1兆ドルを超えており、流動性のために洗剤として好まれる。
本研究では、データセットを分析し、行動特徴を用いてロバストなAMLフレームワークを開発する。
高精度検出を自動化することにより、イノベーションを損なうことなく、経済的不作為の経済的コストを効果的に高めるアプローチを提案する。
論文 参考訳（メタデータ） (2026-02-19T21:13:39Z) - Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
最小コア(LC)概念に基づく配当フレームワークを提案する。
従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。
統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
論文 参考訳（メタデータ） (2026-02-03T11:10:50Z) - Feature-Space Adversarial Robustness Certification for Multimodal Large Language Models [59.6491828112519]
MLLM(Multimodal large language model)は、様々なアプリケーションにまたがる強力な機能を示す。
MLLMは、その特徴表現を歪め、誤った予測を誘発する敵の摂動に弱い。
本稿では,MLLMの特徴表現レベルにおいて,信頼性の高いロバスト性保証を提供する汎用フレームワークであるFeature-space Smoothing(FS)を提案する。
論文 参考訳（メタデータ） (2026-01-22T18:52:21Z) - Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
本稿では,マルチラウンド階層的推論を行う長期水平数学エージェントであるIntern-S1-MOを紹介する。
コンパクトメモリをレムマの形で維持することにより、Intern-S1-MOはレムマリッチ推論空間をより自由に探索することができる。
実験の結果、インターンS1-MOはIMO2025の非幾何学的問題で35点中26点を得ることができ、銀メダリストのパフォーマンスに匹敵することがわかった。
論文 参考訳（メタデータ） (2025-12-11T15:26:28Z) - Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。
このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。
本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
論文 参考訳（メタデータ） (2025-11-10T22:24:21Z) - HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling [0.0]
異常な暗号通貨取引は、金融の整合性にリスクをエスカレートさせる。
既存のアプローチは主にモデル中心であり、ポストホックである。
本稿では,データ駆動早期警告フレームワークHyPV-LEADを紹介する。
論文 参考訳（メタデータ） (2025-09-03T12:23:38Z) - SILS: Strategic Influence on Liquidity Stability and Whale Detection in Concentrated-Liquidity DEXs [0.0]
SILSはCLMM(Concentrated Liquidity Market Makers)におけるインパクトフル流動性プロバイダ(LP)を識別する
これは、静的なボリュームベースの分析から、動的でインパクトを重視した理解へのパラダイムシフトを表している。
このフレームワークは、基盤となる流動性構造と関連するリスクに対して前例のない透明性を提供します。
論文 参考訳（メタデータ） (2025-07-25T16:21:18Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions [0.0]
我々は,DeFiエコシステムを保護するための堅牢なソリューションを提案する。
我々は、初期検出に分離フォレストモデル、未ラベルアカウントに擬似ラベルを反復的に生成するための自己学習機構を使用する。
6,903,860のトランザクションとDeFiインタラクションの広範なカバレッジに関する実験は、SLEIDが教師付きベースラインと半教師付きベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2024-12-03T12:03:13Z) - Safe Multi-Agent Reinforcement Learning with Convergence to Generalized Nash Equilibrium [6.169364905804677]
マルチエージェント強化学習(MARL)は協調作業において顕著な成功を収めた。
MARLエージェントを現実世界のアプリケーションにデプロイすることは、重大な安全性上の課題を示す。
我々は,エージェントが訪れるすべての状態において,安全要件を強制する,$textitstate-wise$制約付き安全なMARLの新たな理論的枠組みを提案する。
複雑な高次元システムにおける実践的展開のために、$textitMulti-Agent Dual Actor-Critic$ (MADAC)を提案する。
論文 参考訳（メタデータ） (2024-11-22T16:08:42Z)
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。