論文の概要: Discovering Persistent Behavioural Patterns for Interpretable Blockchain Forensics

• arxiv url: http://arxiv.org/abs/2608.12864v1
• Date: Thu, 13 Aug 2026 06:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.411653
• Title: Discovering Persistent Behavioural Patterns for Interpretable Blockchain Forensics
• Title（参考訳）: 解釈可能なブロックチェーン・フォサイシクスのための永続的行動パターンの発見
• Authors: Dorottya Zelenyanszki, Zhe Hou, Kamanashis Biswas, Vallipuram Muthukkumarasamy,
• Abstract要約: 本研究では,大規模ブロックチェーン活動から振る舞いパターンを発見するためのスケーラブルでアプリケーションに依存しないフレームワークを提案する。 契約、トークン、市場コンテキストに富んだ文を構築し、2段階の埋め込みプロセスを適用する。 解釈可能な行動プロファイラは、行動モチーフ、ルーチン、時間力学、実体暴露、疑わしい証拠を通じてコミュニティを特徴づける。
• 参考スコア（独自算出の注目度）: 1.1059590443280727
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Public blockchain data enables large-scale DeFi-related analysis, but many existing approaches are application-specific, difficult to scale, or hard to interpret. This research proposes a scalable, application-agnostic framework for \emph{persistent behavioural pattern discovery} from large-scale blockchain activity. It constructs behaviour sentences enriched with contract, token and market context, then applies a two-step embedding process: sentence-level embeddings capture individual actions, while sequence-level embeddings capture user behaviour over time. An interpretable behavioural profiler characterizes discovered communities through behavioural motifs, routines, temporal dynamics, entity exposure, and suspiciousness evidence. Evaluation on Ethereum using over 30 million transactions shows that the framework uncovers both routine and malicious behavioural patterns, including decentralised exchange (DEX) trading, NFT activity, phishing, bot operations, oracle manipulation, and rug-pull schemes. Importantly, many patterns remain stable across independent observation windows, enabling the identification of long-term behaviours beyond a single analysis period. The proposed framework combines scalability, interpretability, and persistence analysis, supporting blockchain forensic investigation, behavioural attribution, and threat discovery.
• Abstract（参考訳）: パブリックブロックチェーンデータによって、大規模なDeFi関連の分析が可能になるが、既存のアプローチの多くは、アプリケーション固有のもので、スケールが難しく、解釈が難しい。 本研究は,大規模ブロックチェーン活動から‘emph{peristent behavioral pattern discovery’を提供する,スケーラブルでアプリケーションに依存しないフレームワークを提案する。 コントラクト、トークン、マーケットコンテキストに富んだ振る舞い文を構築し、次に2ステップの埋め込みプロセスを適用します。 解釈可能な行動プロファイラは、行動モチーフ、ルーチン、時間力学、実体暴露、疑わしい証拠を通じて発見されたコミュニティを特徴づける。 3,000万以上のトランザクションを使用したEthereumの評価によると、このフレームワークは、分散交換(DEX)トレーディング、NTTアクティビティ、フィッシング、ボット操作、オラクル操作、ルーグプルスキームなど、ルーチンと悪意のある行動パターンの両方を明らかにする。 重要なことは、多くのパターンが独立した観測窓を通して安定しており、単一の分析期間を超えて長期的な行動を特定することができる。 提案されたフレームワークは、スケーラビリティ、解釈可能性、永続化分析、ブロックチェーンの法医学的調査、行動帰属、脅威発見をサポートする。

関連論文リスト

• ExToken: Structured Exploration for Efficient Vision-Language-Action Reinforcement Fine-tuning [53.17987412112712]
  強化学習(Reinforcement Learning, RL)は、複雑な操作タスクにおけるビジョン・ランゲージ・アクション(VLA)モデルを改善する重要な可能性を示している。 本稿では,現在のVLA-RLフレームワークにおける探索の停滞ボトルネックについて検討する。 本稿では,VLA ポリシーを個別の行動事前に規定する簡易かつ汎用的なフレームワークである RL Exploration Token (ExToken) を紹介する。
  論文  参考訳（メタデータ） (2026-07-14T16:04:41Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Temporal Motif-aware Graph Test-time Adaptation for OOD Blockchain Anomaly Detection [55.18577006122169]
  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。
  論文  参考訳（メタデータ） (2026-05-28T07:43:20Z)
• Extracting and Analyzing Rail Crossing Behavior Signatures from Videos using Tensor Methods [5.9196341155312835]
  踏切は、運転者の行動が場所、時間、状況によって異なる複雑な安全上の課題を示す。 伝統的なアプローチでは、交差点を個別に分析し、場所間で共有された行動パターンを識別する能力を制限する。 本稿では,3段階にわたる動作の類似性を捉える多視点テンソル分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-17T22:12:28Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• From Asset Flow to Status, Action and Intention Discovery: Early Malice Detection in Cryptocurrency [9.878712887719978]
  理想的な検出モデルは, (I) 早期検出, (II) 良好な解釈性, (III) 様々な不正行為に対する汎用性の3つの重要な特性をすべて達成できることが期待される。 Intention-Monitor for early malice detection in Bitcoin (BTC)では、特定のアドレスのオンチェーンレコードデータが他の暗号通貨プラットフォームよりもはるかに少ない。 我々のモデルは高度に解釈可能であり、様々な違法な活動を検出することができる。
  論文  参考訳（メタデータ） (2023-09-26T07:12:59Z)
• 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)
• Explainable Deep Behavioral Sequence Clustering for Transaction Fraud Detection [3.9505606841402607]
  クラスタリングのためのディープラーニングに基づく行動データ表現法(FinDeepBehaviorCluster)を提案し,不正取引を検出する。 動作シーケンスデータを利用するために,クリックストリームデータをイベントシーケンスとして扱い,時間アテンションに基づくBi-LSTMを用いて,教師なしの方法でシーケンス埋め込みを学習し,リスクエキスパートが生成した直感的な特徴と組み合わせてハイブリッドな特徴表現を形成する。 実験の結果,提案するFinDeepBehaviorClusterフレームワークは,ビジネス価値の高い不正取引を捕捉できることがわかった。
  論文  参考訳（メタデータ） (2021-01-12T04:12:18Z)

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。