論文の概要: zScore-N: A Neural Network for On-Chain Wallet Reputation Scoring
- arxiv url: http://arxiv.org/abs/2609.08247v1
- Date: Tue, 08 Sep 2026 04:46:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.580284
- Title: zScore-N: A Neural Network for On-Chain Wallet Reputation Scoring
- Title（参考訳）: zScore-N: オンチェーンウォレットレポジショニングのためのニューラルネットワーク
- Abstract要約: ウォレットの評価スコアは、だれがエアドロップを受け取り、誰が借りられるか、そして誰が分散金融で手当リストに入るかを決定する。
zScore-Nは、当社の製品に取って代わるニューラルネットワークです。
- 参考スコア（独自算出の注目度）: 0.6232409754065279
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Wallet reputation scores decide who receives an airdrop, who can borrow, and who enters an allowlist across decentralised finance. They almost always begin as hand-written formulas: compositions of clamped logarithmic, linear and square-root transforms over behavioural features, with every threshold and point award set by hand. Such a formula is readable and deterministic, but it is piecewise and non-differentiable, it cannot improve as data accumulates, and it cannot distinguish a feature that is genuinely zero from one its pipeline failed to capture. We present zScore-N, the neural network that replaced ours in production. The formula served as its teacher: calibrated against 5,208,952 wallets sampled across 2019-2024 and verified to reproduce production output to within 2.3e-13, it supplies unlimited labelled training data at zero label noise. The trained network reproduces it to 0.58 points RMSE on the 1000-point scale (R^2 = 0.99997), against 2.25 for gradient-boosted trees and 28.04 for linear regression on identical features and splits. Trained with missing-value masks against uncorrupted targets, it halves the error that incomplete data introduces: at 10% feature-level missingness the formula drifts 51.4 points from its own complete-data output with a systematic -12.5 point bias, while the network drifts 17.9. The network carries the score at production scale, across a population of millions of wallets spanning six orders of magnitude in size and activity.
- Abstract（参考訳）: ウォレットの評価スコアは、だれがエアドロップを受け取り、誰が借りられるか、そして誰が分散金融で手当リストに入るかを決定する。
ほとんど常に手書きの公式として始まる: クランプされた対数、線形および正方根変換の合成で、すべての閾値と点が手によって設定される。
このような式は読みやすく決定論的であるが、断片的かつ微分不可能であり、データが蓄積されるにつれて改善することはできず、パイプラインが捕捉できなかったものと真にゼロな特徴を区別することはできない。
zScore-Nは、当社の製品に取って代わるニューラルネットワークです。
この公式は、2019-2024年にサンプリングされた5,208,952個の財布を校正し、2.3e-13の範囲で生産出力を再現することが確認された。
トレーニングされたネットワークは、1000点スケール(R^2 = 0.99997)で0.58点RMSEに再現し、勾配木では2.25点、同じ特徴と分割に対する線形回帰では28.04点である。
10%の特徴レベルの欠如により、この公式は、体系的な-12.5点偏差を持つ独自の完全データ出力から51.4点をドリフトし、ネットワークは17.9点をドリフトする。
このネットワークは、数百万のウォレットが6桁のサイズのサイズとアクティビティにまたがって、生産規模でスコアを出力する。
関連論文リスト
- Leaf Values as Coordinates: Exact Contrastive Explanation for Gradient-Boosted Ensembles [0.0]
勾配ブーストされたアンサンブルは、木ごとの葉の値の1つを和らげて予測する。
各インスタンスはRMの点となり、モデルが線形に振る舞う。
その推奨は、モデル自身の決定を6.2 x 10-15に再構成する。
論文 参考訳（メタデータ） (2026-08-19T17:20:33Z) - Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。
共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。
このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
論文 参考訳（メタデータ） (2026-08-08T13:22:14Z) - Threshold-Based Early Stopping of Accumulations in Neural Networks with Binary Activation [1.1470070927586018]
二項アクティベーションでは、ドット生成物は符号制御された加算または減算となるが、操作数は変化しない。
本稿は、この観察を訓練後の早期停止機構に変換する。
トレーニングデータセット上で実行中の累積の挙動を特徴付け、この情報を用いて最終符号をできるだけ早く予測する。
論文 参考訳（メタデータ） (2026-08-06T15:39:40Z) - Gauge dependence and structured-output corruption in sign-branched repetition penalties: measurements across models, inference stacks, and alternative repetition controls [0.0]
罰則は明確に定義されていない。
それは構造化された出力を損なう。
200の現実世界のスキーマでは、theta=1.3は有効なスキーマ変換出力の率を97%から23%に下げる。
論文 参考訳（メタデータ） (2026-07-09T05:11:22Z) - An interpretable closed form for entanglement entropy from bitstrings, guided by a graph neural network [0.0]
我々は、Rydberg-atomアレー上のエントロピーに対して6項の線形閉形式を示す。
ビットストリング導出可能な物理スカラー上に構築され、その正確性、可搬性、スケーリングの振る舞い、校正コストを特徴付ける。
0.024$nats は、ネットワークのエラーの 6.4$ の絶対誤差を意味するが、ある形では、人間が再トレーニングすることなく読み書きできる。
論文 参考訳（メタデータ） (2026-06-21T23:19:53Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be
Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。
CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文 参考訳（メタデータ） (2023-02-17T18:45:04Z) - Random Feature Amplification: Feature Learning and Generalization in
Neural Networks [44.431266188350655]
勾配降下法により訓練された2層ReLUネットワークにおける特徴学習過程の特徴付けを行う。
線形分類器は分布のランダムな推定に勝るものの,勾配降下により訓練された2層ReLUネットワークはラベルノイズ率に近い一般化誤差を達成できることを示す。
論文 参考訳（メタデータ） (2022-02-15T18:18:22Z) - Benign Overfitting without Linearity: Neural Network Classifiers Trained by Gradient Descent for Noisy Linear Data [39.53312099194621]
勾配降下による一般化を訓練した2層ニューラルネットワークの一般化誤差を考察する。
ニューラルネットワークはトレーニングエラーをゼロにし、ノイズの多いトレーニングラベルを完璧に適合させ、同時に最小限のテストエラーを達成できる。
線形あるいはカーネルベースの予測器を必要とする良性オーバーフィッティングに関するこれまでの研究とは対照的に、我々の分析はモデルと学習力学の両方が基本的に非線形であるような環境で成り立っている。
論文 参考訳（メタデータ） (2022-02-11T23:04:00Z) - Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。
入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
論文 参考訳（メタデータ） (2021-09-12T19:33:34Z) - Bayesian Nested Neural Networks for Uncertainty Calibration and Adaptive
Compression [40.35734017517066]
ネストネットワーク(Nested Network)またはスリムブルネットワーク(Slimmable Network)は、テスト期間中にアーキテクチャを即座に調整できるニューラルネットワークである。
最近の研究は、トレーニング中に重要なレイヤのノードを順序付けできる"ネストされたドロップアウト"層に焦点を当てている。
論文 参考訳（メタデータ） (2021-01-27T12:34:58Z) - Cryptanalytic Extraction of Neural Network Models [56.738871473622865]
遠隔モデルのパラメータを浮動小数点精度まで効率的に盗むことができる差動攻撃を導入する。
我々の攻撃は、ReLUニューラルネットワークが一括線形関数であるという事実に依存している。
220倍の正確さと100倍のクエリを必要とするモデルを抽出する。
論文 参考訳（メタデータ） (2020-03-10T17:57:14Z)
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。