論文の概要: UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains
- arxiv url: http://arxiv.org/abs/2604.12329v1
- Date: Tue, 14 Apr 2026 06:04:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.274043
- Title: UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains
- Title（参考訳）: UniDetect: 異種ブロックチェーン上でのLLM駆動型ユニバーサルフラッド検出
- Authors: Shuyi Miao, Wangjie Qiu, Shengda Zhuo, Fei Shen, Dan Lin, Xingtong Yu, Chua Tat-Seng, Zhiming Zheng,
- Abstract要約: 大規模言語モデル(LLM)に基づくマルチチェーン暗号通貨不正アカウント検出手法UniDetectを導入する。
具体的には、ドメイン知識を用いてLLMをガイドし、異種ブロックチェーンアカウントに適用可能な一般的なトランザクション要約テキストを生成する。
複数のブロックチェーンの実験によると、UniDetectはKolmogorov-Smirnov(KS)で既存のメソッド5.57%から7.58%を上回っている。
- 参考スコア（独自算出の注目度）: 9.89047849878308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As cross-chain interoperability advances, decentralized finance (DeFi) protocols enable illicit funds to be reorganized into uniform liquid assets that flow throughout the cryptocurrency market. Such operations can bypass monitoring targeted at individual blockchains and thereby weaken current regulatory frameworks. Motivated by these, we introduce UniDetect, a multi-chain cryptocurrency fraud account detection method based on large language models (LLMs). Specifically, we use domain knowledge to guide the LLM to generate general transaction summary texts applicable to heterogeneous blockchain accounts, which serve as evidence for fraud account detection. Furthermore, we introduce a two-stage alternating training strategy to continuously and dynamically enhance the multimodal joint reasoning for detecting fraudulent accounts based on both the textual evidence and the transaction graph patterns. Experiments on multiple blockchains show that UniDetect outperforms existing methods 5.57% to 7.58% in Kolmogorov-Smirnov (KS). For cross-chain zero-shot detection, UniDetect identifies over 94.58% of fraudulent accounts. It also generalizes well to non-blockchain data, delivering a 6.06% improvement in F1 over existing methods. The dataset and source code are available at https://github.com/msy0513/UniDetect.
- Abstract（参考訳）: クロスチェーンの相互運用性が進むにつれて、分散型金融(DeFi)プロトコルは不正な資金を暗号通貨市場全体に流れる均一な流動資産に再編成することを可能にする。
このような操作は、個々のブロックチェーンをターゲットにした監視をバイパスすることで、現在の規制フレームワークを弱めることができる。
これに触発されたUniDetectは,大規模言語モデル(LLM)に基づくマルチチェーン暗号通貨不正アカウント検出手法である。
具体的には、ドメイン知識を用いてLLMを誘導し、不正アカウント検出の証拠となる異種ブロックチェーンアカウントに適用可能な一般的なトランザクション要約テキストを生成する。
さらに、テキスト証拠とトランザクショングラフパターンの両方に基づいて不正アカウントを検出するためのマルチモーダル共同推論を継続的にかつ動的に強化する2段階交代訓練戦略を導入する。
複数のブロックチェーンの実験によると、UniDetectはKS(Kolmogorov-Smirnov)で既存のメソッド5.57%から7.58%を上回っている。
クロスチェーンゼロショット検出では、UniDetectは不正アカウントの94.58%以上を識別する。
また、非ブロックチェーンデータにも適しており、既存のメソッドよりもF1が6.06%改善されている。
データセットとソースコードはhttps://github.com/msy0513/UniDetect.comで入手できる。
関連論文リスト
- A Survey of Transaction Tracing Techniques for Blockchain Systems [2.307833568494795]
文献で提案するブロックチェーントランザクションのさまざまなトレース手法を体系的にレビューする。
ブロックチェーントランザクショントレースの文献状況に関する洞察を提供し、既存のアプローチの限界を特定します。
論文 参考訳（メタデータ） (2025-09-23T05:21:20Z) - Efficient Blockchain-based Steganography via Backcalculating Generative Adversarial Network [105.47203971578871]
汎用ブロックチェーンベースのステガノグラフィーフレームワーク(GBSF)を提案する。
送信者は、追加の隠蔽データを埋め込んでチャネル容量を高めるために、量や手数料などの必要なフィールドを生成する。
GBSFに基づいて, 可逆的生成逆ネットワーク(R-GAN)を設計する。
対数直観的データ前処理とカスタムアクティベーション機能を備えたR-GAN,すなわちCCR-GANを提案する。
論文 参考訳（メタデータ） (2025-06-19T04:43:41Z) - Track and Trace: Automatically Uncovering Cross-chain Transactions in the Multi-blockchain Ecosystems [21.470299762211546]
クロスチェーン技術は、分散金融(DeFi)エコシステム内のシームレスな資産移動とメッセージパッシングを可能にする。
本稿では,DeFiエコシステムに特化して設計された双方向トランザクショントレースツールABCTRACERを提案する。
論文 参考訳（メタデータ） (2025-04-02T15:28:25Z) - BlockScan: Detecting Anomalies in Blockchain Transactions [16.73896087813861]
BlockScanはブロックチェーントランザクションの異常検出用にカスタマイズされたTransformerである。
この研究は、ブロックチェーンデータ分析にTransformerベースのアプローチを適用するための新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2024-10-05T05:11:34Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - 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) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - Reputation-based PoS for the Restriction of Illicit Activities on Blockchain: Algorand Usecase [2.3455387491754975]
近年では、ブロックチェーントランザクションデータに基づいて、さまざまな機械学習ベースのテクニックが、このような犯罪要素を検出することができる。
本稿では,上記の不正行為を検知したユーザに対する評価に基づく応答手法を提案する。
論文 参考訳（メタデータ） (2021-12-21T07:32:22Z)
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。