論文の概要: Predicting Channel Closures in the Lightning Network with Machine Learning

• arxiv url: http://arxiv.org/abs/2605.12759v1
• Date: Tue, 12 May 2026 21:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.693458
• Title: Predicting Channel Closures in the Lightning Network with Machine Learning
• Title（参考訳）: 機械学習による雷網のチャネル閉鎖予測
• Authors: Simone Antonelli, Vincent Davis, Harrison Rush, Anthony Potdevin, Jesse Shrader, Vikash Singh, Emanuele Rossi,
• Abstract要約: 本稿では, チャネルグラフ上の時間的リンク分類タスクとして, 利用可能なゴシップデータからチャネル閉鎖型を予測する問題について検討する。 2年間のLN活動にまたがるデータセットを構築し、さまざまな機械学習アプローチをベンチマークする。 実験の結果, 支配的な予測信号は時間的, 行動的であり, それぞれの終端が最近アクティブになったか, 過去の閉点のノードごとの履歴が明らかとなった。
• 参考スコア（独自算出の注目度）: 2.525686906723555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Lightning Network (LN) is a second-layer protocol for Bitcoin designed to enable fast and cost-efficient off-chain transactions. Channels in the LN can be closed either by mutual agreement or unilaterally through a forced closure, which locks the involved capital for an extended period and degrades network reliability. In this paper, we study the problem of predicting channel closure types from publicly available gossip data, framing it as a temporal link classification task over the evolving channel graph. We construct a dataset spanning over two years of LN activity and benchmark a range of machine learning approaches, from MLPs to temporal graph neural networks and spectral encodings. Our experiments reveal that the dominant predictive signals are temporal and behavioural, namely how recently each endpoint was active and the per-node history of past closures, while the surrounding network topology provides no additional benefit. We find that a simple MLP operating on edge-level features, node-level event counts, and temporal patterns outperforms all graph-based approaches, and discuss how the inherent privacy of the LN, where critical information such as channel balances and payment flows remains hidden, fundamentally limits the predictability of closures from gossip data alone. We publicly release the dataset and code at https://github.com/AmbossTech/ln-channel-closure-prediction to encourage further research on this practically relevant task.
• Abstract（参考訳）: Lightning Network(LN)は、高速でコスト効率のよいオフチェーントランザクションを実現するために設計された、Bitcoinの第2層プロトコルである。 LN内のチャネルは、相互合意または一方的に強制的な閉鎖によって閉じることができ、これは、関係する資本を長期にわたってロックし、ネットワークの信頼性を低下させる。 本稿では,チャネルグラフの進化にともなう時間的リンク分類タスクとして,公開ゴシップデータからチャネル閉鎖型を予測する問題について検討する。 2年間のLN活動にまたがるデータセットを構築し,MLPから時間グラフニューラルネットワーク,スペクトル符号化に至るまで,さまざまな機械学習アプローチをベンチマークする。 実験の結果, 支配的な予測信号は時間的, 行動的であり, それぞれの終端が最近アクティブになったか, 過去の閉点のノードごとの履歴, 周囲のネットワークトポロジは追加の利益を与えていないことがわかった。 エッジレベルの機能やノードレベルのイベント数,時間パターンといった単純なMLPがグラフベースのアプローチよりも優れており,チャネルバランスや支払いフローといった重要な情報が隠蔽されているLNの本質的なプライバシが,ゴシップデータのみからのクロージャの予測可能性を根本的に制限している点について議論する。 我々はデータセットとコードをhttps://github.com/AmbossTech/ln- channel-closure-predictionで公開し、この実用的なタスクについてさらなる研究を奨励する。

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)
• FedNET: Federated Learning for Proactive Traffic Management and Network Capacity Planning [1.9818048023246968]
  FedNETは、大規模通信ネットワークにおけるリスクの高いリンクを早期に識別するためのフレームワークである。 FedNETは、ノードレベルのトラフィックの時間的進化を分散的にモデル化するためにフェデレートラーニングを採用している。
  論文  参考訳（メタデータ） (2025-11-10T07:36:16Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• TCGPN: Temporal-Correlation Graph Pre-trained Network for Stock Forecasting [1.864621482724548]
  本稿では,これらの制約に対処するため,TCGPN(Temporal-Correlation Graph Pre-trained Network)と呼ばれる新しい手法を提案する。 TCGPNはテンポラル相関融合エンコーダを用いて,時間的および相関的な事前学習タスクを慎重に設計した混合表現と事前学習を行う。 CSI300とCSI500は、最小限の周期性を示す。
  論文  参考訳（メタデータ） (2024-07-26T05:27:26Z)
• Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network [8.318363497010969]
  本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。 我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
  論文  参考訳（メタデータ） (2024-03-03T12:34:13Z)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation [79.64626707978418]
  分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。 当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。 当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-06T17:53:31Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)

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。