論文の概要: Temporal Motif-aware Graph Test-time Adaptation for OOD Blockchain Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.29526v1
• Date: Thu, 28 May 2026 07:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.950473
• Title: Temporal Motif-aware Graph Test-time Adaptation for OOD Blockchain Anomaly Detection
• Title（参考訳）: OODブロックチェーン異常検出のための時間的モチーフ対応グラフテスト時間適応
• Authors: Runang He, Tongya Zheng, Huiling Peng, Yuanyu Wan, Bingde Hu, Jiawei Chen, Canghong Jin, Mingli Song, Can Wang,
• Abstract要約: textbfTEmporal textbfMotif-aware textbfGraph textbfTest-textbfTime textbfAdaptation (textbfTEMG-TTA) という新しいフレームワークを提案する。 まず、効率的な計算機構を用いて、各アクティブアドレスの3ノードの時間的モチーフ分布を包括的にキャプチャする。 第2に、トレーニングとテストグラフ間の共通パターンの共有を容易にするための、シンプルで効果的なテスト時間適応戦略を設計する。
• 参考スコア（独自算出の注目度）: 55.18577006122169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ever-evolving transaction patterns have significantly hindered anomaly detection on emerging cryptocurrency blockchains due to the vast number of addresses and diverse anomalous behaviors. Recently, advanced Graph Anomaly Detection (GAD) approaches applied to blockchains have faced two critical challenges: \textit{adversarial pattern evolution by malicious actors} and \textit{the out-of-distribution (OOD) problem caused by varied transaction semantics on blockchains}. To address these challenges, we propose a novel framework termed \textbf{TE}mporal \textbf{M}otif-aware \textbf{G}raph \textbf{T}est-\textbf{T}ime \textbf{A}daptation (\textbf{TEMG-TTA}). First, we comprehensively capture the 3-node temporal motif distribution of each active address using an efficient computational mechanism, enabling downstream temporal motif-aware graph learning. Second, we design a simple yet effective test-time adaptation strategy to facilitate the sharing of common patterns between training and testing graphs. Extensive experiments on 5 real-world datasets demonstrate that our proposed \textbf{TEMG-TTA} outperforms \textit{state-of-the-art} GAD approaches by an average of 54.88\%. A further case study on interpretable motif patterns reveals that \textbf{TEMG-TTA} explicitly characterizes the complex transaction patterns of anomalous addresses, thereby verifying the effectiveness of our technical designs. Our code will be made publicly available https://github.com/LuoXishuang0712/TEMG-TTA/.
• Abstract（参考訳）: 進化を続けるトランザクションパターンは、大量のアドレスと多様な異常な振る舞いのために、新興のブロックチェーンにおける異常検出を著しく妨げている。 最近、ブロックチェーンに適用された高度なグラフ異常検出(GAD)アプローチは、2つの重要な課題に直面している: \textit{adversarial pattern evolution by malicious actor} と \textit{the out-of-distribution(OOD)問題。 これらの課題に対処するため、新しいフレームワークとして、textbf{TE}mporal \textbf{M}otif-aware \textbf{G}raph \textbf{T}est-\textbf{T}ime \textbf{A}daptation (\textbf{TEMG-TTA})を提案する。 まず、効率的な計算機構を用いて、各アクティブアドレスの3ノードの時間モチーフ分布を包括的に把握し、下流の時間モチーフ対応グラフ学習を可能にする。 第2に、トレーニングとテストグラフ間の共通パターンの共有を容易にするための、シンプルで効果的なテスト時間適応戦略を設計する。 5つの実世界のデータセットに対する大規模な実験により、提案した \textbf{TEMG-TTA} は、平均54.88\% で textit{state-of-the-art} GAD アプローチより優れていることが示された。 解釈可能なモチーフパターンに関するさらなるケーススタディでは、 \textbf{TEMG-TTA} が異常アドレスの複雑なトランザクションパターンを明示的に特徴付け、技術的設計の有効性を検証することが示されている。 私たちのコードはhttps://github.com/LuoXishuang0712/TEMG-TTA/で公開されます。

関連論文リスト

• TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs [1.79424680938667]
  トランザクショングラフは、マネーロンダリングや詐欺といった金融犯罪のパターンを明らかにすることができる。 本稿では,時間的ダイナミクスをメッセージパッシングに組み込んだ新しいグラフニューラルネットワーク機構TeMP-TraGを提案する。 我々は、TeMP-TraGが4つの最先端グラフニューラルネットワークを平均6.19%改善できることを実証した。
  論文  参考訳（メタデータ） (2025-03-21T07:10:27Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
  本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。 第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。 提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-10-25T05:27:45Z)
• 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)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• TEGDetector: A Phishing Detector that Knows Evolving Transaction Behaviors [8.123699164666602]
  フィッシング検知器はフィッシングアドレスの探索に力を注いでいる。 検出器のほとんどは、ランダムウォーキングや静的サブグラフの構築によって、ターゲットアドレスのトランザクション動作の特徴を抽出する。 本稿では、トランザクション進化グラフから進化する挙動特徴を学習する動的グラフであるTEGDetectorを提案する。
  論文  参考訳（メタデータ） (2021-11-26T02:54:47Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Identity Inference on Blockchain using Graph Neural Network [5.5927440285709835]
  アカウントのアイデンティティに関する事前推論を目的としたアイデンティティ推論は、ブロックチェーンセキュリティにおいて重要な役割を果たします。 本稿では,id推論タスクをグラフ分類パターンに変換するトランザクションサブグラフの観点から,ユーザの行動を解析するための新しい手法を提案する。 また、$textI2 textBGNN$という汎用的なエンドツーエンドグラフニューラルネットワークモデルを提案し、サブグラフを入力として受け入れ、トランザクションサブグラフパターンをアカウントアイデンティティにマッピングする関数を学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-14T00:15:38Z)

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。