論文の概要: Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2604.24590v1
• Date: Mon, 27 Apr 2026 15:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.115219
• Title: Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks
• Title（参考訳）: 時空間グラフニューラルネットワークを用いた暗号市場におけるフラッド検出
• Authors: Lidia Losavio, Luca Persia, Madan Sathe, Dimosthenis Pasadakis,
• Abstract要約: 本稿では,集約された時間市場データに依存する3つのグラフ構築手法を提案する。 暗号通貨市場におけるポンプ・ダンプ方式による実世界のデータセットについて,本手法の評価を行った。 我々の研究は、学習した市場接続性は、協調した市場操作スキームを検出するためにかなりの利益をもたらすことを強調している。
• 参考スコア（独自算出の注目度）: 0.9332987715848716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Technological advancements in cryptocurrency markets have increased accessibility for investors, but concurrently exposed them to the risks of market manipulations. Existing fraud detection mechanisms typically rely on machine learning methods that treat each financial asset (i.e., token) and its related transactions independently. However, market manipulation strategies are rarely isolated events, but are rather characterized by coordination, repetition, and frequent transfers among related assets. This suggests that relational structure constitutes an integral component of the signal and can be effectively represented through graphical means. In this paper, we propose three graph construction methods that rely on aggregated hourly market data. The proposed graphs are processed by a unified spatio-temporal Graph Neural Network (GNN) architecture that combines attention-based spatial aggregation with temporal Transformer encoding. We evaluate our methodology on a real-world dataset comprised of pump-and-dump schemes in cryptocurrency markets, spanning a period of over three years. Our comparative results showcase that our graph-based models achieve significant improvements over standard machine learning baselines in detecting anomalous events. Our work highlights that learned market connectivity provides substantial gains for detecting coordinated market manipulation schemes.
• Abstract（参考訳）: 暗号通貨市場の技術的進歩は投資家のアクセシビリティを高めたが、同時に市場操作のリスクに晒された。 既存の不正検出メカニズムは、通常、個々の金融資産(トークン)とその関連するトランザクションを独立して扱う機械学習手法に依存している。 しかし、市場操作戦略は孤立した出来事はめったにないが、むしろ調整、反復、関連する資産間の頻繁な移動によって特徴づけられる。 このことは、リレーショナル構造が信号の積分成分を構成し、グラフィカルな方法で効果的に表現できることを示唆している。 本稿では,集約時間市場データに依存する3つのグラフ構築手法を提案する。 提案したグラフは、注意に基づく空間アグリゲーションと時間変換器エンコーディングを組み合わせた統合時空間グラフニューラルネットワーク(GNN)アーキテクチャによって処理される。 我々は,暗号通貨市場におけるポンプ・ダンプ方式による実世界のデータセットについて,その方法論を3年以上にわたって評価した。 比較結果は,我々のグラフベースモデルが異常事象の検出において,標準的な機械学習ベースラインよりも大幅に改善されていることを示す。 我々の研究は、学習した市場接続性は、協調した市場操作スキームを検出するためにかなりの利益をもたらすことを強調している。

関連論文リスト

• A Sustainable AI Economy Needs Data Deals That Work for Generators [56.949279542190084]
  機械学習のバリューチェーンは、経済的なデータ処理の不平等のため、構造的に持続不可能である、と我々は主張する。 73の公開データ取引を分析し、アグリゲータに価値の大部分が蓄積されていることを示す。 参加者全員に利益をもたらす最小市場を実現するために、等価なData-Value Exchange Frameworkを提案する。
  論文  参考訳（メタデータ） (2026-01-15T01:05:48Z)
• DeXposure: A Dataset and Benchmarks for Inter-protocol Credit Exposure in Decentralized Financial Networks [21.810918962434712]
  DeXposureデータセットは、分散型金融ネットワークにおいて、プロトコール間クレジット露光のための最初の大規模データセットである。 2020年から2025年までの全世界で4370万のプロトコル、602のブロックチェーン、243万のトークンをカバーしている。 DeXposureデータセットとコードが公開された。
  論文  参考訳（メタデータ） (2025-11-27T10:44:14Z)
• News-Aware Direct Reinforcement Trading for Financial Markets [4.651395723728895]
  本研究では,大規模言語モデルから得られるニュース感情スコアと,原価および音量データとを,強化学習のための可観測入力として用いる。 これらの入力は、リカレントニューラルネットワークやTransformerなどのシーケンスモデルによって処理され、エンドツーエンドのトレーディング決定を行う。 その結果,手作業による特徴や手作業によるルールに依存しない我々のニューズアウェアアプローチは,市場ベンチマークよりも優れた性能を実現することができた。
  論文  参考訳（メタデータ） (2025-10-22T02:17:03Z)
• A Graph Machine Learning Approach for Detecting Topological Patterns in Transactional Graphs [0.9199488958939334]
  デジタルエコシステムの台頭は、金融セクターを悪用と刑事戦術の進化にさらしている。 従来のルールベースのシステムは、洗練された犯罪行為や調整された犯罪行動を検出するのに必要な適応性に欠けていた。 本稿では,グラフ機械学習とネットワーク解析を統合し,よく知られたトポロジパターンの検出を改善するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-16T06:43:11Z)
• ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets [44.76567557906836]
  適応アルゴリズムの開発と検証における根本的な問題は、現実世界の財務データに基礎的な真理が欠如していることである。 本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための新しいフレームワークProteuSを紹介する。 生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。
  論文  参考訳（メタデータ） (2025-08-30T21:01:47Z)
• A Network Simulation of OTC Markets with Multiple Agents [3.8944986367855963]
  我々は、取引が市場メーカによってのみ仲介される、オーバー・ザ・カウンタ(OTC)金融市場をシミュレートするための新しいアプローチを提案する。 本稿では,ネットワークモデルを用いて市場構造が価格変動に与える影響について考察する。
  論文  参考訳（メタデータ） (2024-05-03T20:45:00Z)
• Enhancing Smart Contract Security Analysis with Execution Property Graphs [48.31617821205042]
  ランタイム仮想マシン用に特別に設計された動的解析フレームワークであるClueを紹介する。 Clueは契約実行中に重要な情報をキャプチャし、新しいグラフベースの表現であるExecution Property Graphを使用する。 評価結果から, クリューの真正率, 偽正率の低い優れた性能が, 最先端のツールよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-23T13:16:42Z)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)

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。