論文の概要: ZAPs: A Reward Attribution Framework for DeFi Ecosystems with Adversarial-Robust Scoring via Parallel Anomaly Ensemble Detection

• arxiv url: http://arxiv.org/abs/2607.27859v1
• Date: Thu, 30 Jul 2026 08:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.464793
• Title: ZAPs: A Reward Attribution Framework for DeFi Ecosystems with Adversarial-Robust Scoring via Parallel Anomaly Ensemble Detection
• Title（参考訳）: ZAPs:並列異常アンサンブル検出による逆アトリビューションフレームワーク
• Abstract要約: 本稿では、経済貢献のスコアと敵意の堅牢性を組み合わせた報酬帰属の枠組みであるZAPを紹介する。 2層重み付け機構は、セクター内のプロトコルシェアとエコシステム内のセクターシェアを組み合わせたものだ。 ZAPはまた、トランザクションレベルの整合性チェック、並列異常アンサンブル、分散後の挙動記憶、グラフベースのシビルクラスタリングからなる4層防御スタックも導入している。
• 参考スコア（独自算出の注目度）: 0.5689746155812007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incentive programs are central to user acquisition in decentralized finance, but many reward systems rely on raw volume, transaction count, and wallet count, making them vulnerable to bots and sybil operations. We present ZAPs, a reward attribution framework that combines economic contribution scoring with adversarial robustness. A composite activity score uses protocol-specific percentile normalization to limit whale dominance while preserving differentiation among users. A two-layer weighting mechanism combines protocol share within sector and sector share within the ecosystem, which reduces the profitability of farming small protocols. We show that the maximum reward obtainable from any protocol is bounded by that protocol's global volume share. ZAPs also introduces a four-layer defense stack consisting of transaction-level integrity checks, a parallel anomaly ensemble, post-distribution behavioral memory, and graph-based sybil clustering. The anomaly ensemble combines a one-class reconstruction model with an isolation forest and applies graduated rather than binary penalties. On 1,073 labeled malicious wallets covering 124,638 transactions, the ensemble achieves 0.923 +/- 0.013 ROC-AUC, compared with 0.891 +/- 0.016 for the reconstruction model alone, when the isolation forest is trained on benign wallets. Training it on the pooled population reverses its polarity and removes the ensemble gain. Controlled simulations reduce adversarial reward capture by 30-90 percent while legitimate-user scenarios change by 1-8 percent. Live campaigns recorded a 56 percent reduction in sybil allocation, a 49 percent increase in quality-wallet participation, and a 50 percent reduction in sell pressure.
• Abstract（参考訳）: インセンティブプログラムは、分散金融におけるユーザー獲得の中心であるが、多くの報酬システムは生のボリューム、トランザクション数、ウォレット数に依存しており、ボットやシビル操作に脆弱である。 本稿では、経済貢献のスコアと敵意の堅牢性を組み合わせた報酬帰属の枠組みであるZAPを紹介する。 複合活動スコアは、プロトコル固有のパーセンタイル正規化を使用して、ユーザ間の差別を保ちながら、クジラ支配を制限する。 2層重み付け機構は、セクター内のプロトコルシェアとエコシステム内のセクターシェアを組み合わせたもので、小さなプロトコルを栽培する際の利益率を低下させる。 任意のプロトコルから得られる最大報酬は,そのプロトコルのグローバルボリュームシェアによって制限されていることを示す。 ZAPはまた、トランザクションレベルの整合性チェック、並列異常アンサンブル、分散後の挙動記憶、グラフベースのシビルクラスタリングからなる4層防御スタックも導入している。 異常アンサンブルは、一級再建モデルと孤立林を結合し、二級罰則よりも上位に適用される。 124,638件の取引を対象とする1,073件の不正なウォレットでは、孤立林が良心のウォレットで訓練された場合、復元モデルだけで0.923件/- 0.013件のOC-AUCを達成している。 プールされた個体群での訓練は極性を逆転させ、アンサンブルゲインを除去する。 制御されたシミュレーションは、正当性のあるユーザシナリオが1～8パーセント変化する一方で、敵の報酬キャプチャーを30～90%削減する。 ライブキャンペーンでは、サイビルの割り当てが56%減少し、品質壁への参加が49%増加し、販売プレッシャーが50%減少した。

関連論文リスト

• HB-PVI: A Hierarchical Bayesian Personalization and Value-of-Information Framework for Complex Activity Recognition [0.0]
  パーソナライゼーションは行動認識性能を改善するが、参加者固有の利得は不均一である。 本研究では,階層型ベイズパーソナライズと情報の価値の枠組みであるHB-PVIを提案する。 情報分析の価値は、生の予測精度ではなく、健康センシングアプリケーションにおけるパーソナライズ決定を導出すべきであることを示している。
  論文  参考訳（メタデータ） (2026-09-04T15:38:07Z)
• Sense Once, Serve Many: Common-Trace Factorized Constrained PPO for Online Sensing-Session Consolidation in Multi-Tenant ISAC Networks [0.0]
  我々はCT-PPO(Common-Trace Factorized Constrained Proximal Policy Optimization)を提案する。 CT-PPOは、マッチングされたJoint-Credit PPO(JC-PPO)の0.934倍、SLA-Aware Greedyの1.847倍の平均マクロリターンを達成する。 4方向は、因子化されたサロゲートだけでは検出可能なマクロリターンゲインが得られないことを示し、一方、共通トレース報酬クレジットを追加することで、主要な改善をもたらす。
  論文  参考訳（メタデータ） (2026-08-29T13:20:21Z)
• Unextractable Protocol Models: Collaborative Training and Inference without Weight Materialization [58.14514930760722]
  参加者が協力して大規模なニューラルネットワークを訓練し、提供する分散セットアップを検討する。 このセットアップでは、フルウェイトセットがどの参加者にも利用できないような、非機械的なウェイトの可能性を探る。 我々は、シャードモデルセットアップを利用するトレーニングおよび推論フレームワーク、Unextractable Protocol Models (UPMs)を紹介する。
  論文  参考訳（メタデータ） (2026-05-22T10:24:57Z)
• Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
  ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。 本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:31:34Z)
• Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
  貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。 本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。 この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
  論文  参考訳（メタデータ） (2026-04-10T03:04:20Z)
• Deliberative Curation: A Protocol for Multi-Agent Knowledge Bases [0.0]
  AIエージェントは、分離されたツールから共有知識エコシステムの協力的な参加者へと移行するにつれて、集合的知識のキュレーションの管理は重要な課題となる。 3つの基盤となるガバナンス層を組み合わせた熟考的キュレーションプロトコルを提案する。 本手法は,2つの逆転シナリオの下で,7つの行動的アーキタイプにまたがる100個のエージェントを用いたエージェントベースシミュレーションにより評価する。
  論文  参考訳（メタデータ） (2026-03-27T12:23:21Z)
• Quantifying Return on Security Controls in LLM Systems [0.0]
  本稿では、残留リスクを定量化するための意思決定指向フレームワークを提案する。 敵のプローブの結果を金融リスク推定と戻り制御の指標に変換する。
  論文  参考訳（メタデータ） (2025-12-17T04:58:09Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Federated Distributed Key Generation [0.0]
  我々はFDKG(Federated Distributed Key Generation)を導入し、参加を任意にし、不均一性を信頼する。 FDKGは、それぞれ1回の放送ラウンドで生成と再構築の両方を完了します。 解析の結果, (i) 生成は標準PVSSに基づくDKG仮定の下での正当性, プライバシ, 堅牢性を保証することが示された。
  論文  参考訳（メタデータ） (2025-02-28T08:31:16Z)
• Simple Opinion Dynamics for No-Regret Learning [38.61048016579232]
  分散GOSSIPモデルにおける協調的マルチエージェントバンディット設定について検討する。 この設定のために、メモリレスおよび時間に依存しないプロトコルのファミリーを導入・分析する。 定常的な報酬設定のために、これらの単純なプロトコルが世界の最高の振る舞いを示すことを初めて証明する。
  論文  参考訳（メタデータ） (2023-06-14T17:59:15Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布推定が消失することを示し,推定分布が急速に平均に崩壊することを実証的に観察した。 我々は,$L$の学習効率に感化され,効率のよい学習方法として,返却分布の期待値と量子値を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。