論文の概要: ETH-TraceBench: A Large-Scale Event-Stream Benchmark for Ethereum DeFi under Temporal, Protocol, and Contract Shift

• arxiv url: http://arxiv.org/abs/2609.23659v1
• Date: Sun, 20 Sep 2026 14:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.906051
• Title: ETH-TraceBench: A Large-Scale Event-Stream Benchmark for Ethereum DeFi under Temporal, Protocol, and Contract Shift
• Title（参考訳）: ETH-TraceBench: テンポラル、プロトコル、コントラクトシフトの下でEthereum DeFi用の大規模イベントストリームベンチマーク
• Abstract要約: 分散ファイナンス(DeFi)は、トランザクションレベルのイベントストリームをパブリックかつタイムスタンプで記録する。 ETH-TraceBenchは、時間、プロトコル、プール/インフラ構造、シンボリックシフトの下でDeFi表現を評価するためのベンチマークである。
• 参考スコア（独自算出の注目度）: 13.602955113202386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ethereum decentralized finance (DeFi) provides a public, time-stamped record of transaction-level event streams, but the same public symbols can create strong machine-learning shortcuts. We introduce ETH-TraceBench, a benchmark for evaluating Ethereum DeFi representations under temporal, protocol, pool/infrastructure, and symbolic shift. The raw event universe covers January 2021-December 2025 and contains 1.35 billion transactions with logs and 5.01 billion raw log rows. Model evaluation uses a fixed 911,267-instance supervised sample, training on 2021-2024, selecting models on 2025H1, and testing on 2025H2. Simple models perform strongly on the aggregate temporal test: TraceStats-GB reaches 0.953 macro-F1 and TopicEmitterHashMLP 0.959 on the canonical DEX test set. Performance drops sharply under protocol novelty, with macro-F1 of 0.794, 0.743, and 0.766 for TraceStats-GB, TopicEmitterTrace-SGD, and TopicEmitterHashMLP, while strict unseen-pool scores remain 0.927, 0.897, and 0.935. Uniswap v4 and Ekubo v1, both absent from supervised training, are materially harder than the full test. Jointly masking emitter and topic identity reduces DEX macro-F1 to 0.916 and liquidation macro-F1 to 0.774 for TopicEmitterTrace-SGD. A standard Transformer over log-index-ordered events provides no consistent advantage over a deterministic shuffle of the same events, indicating that high aggregate scores can arise without sophisticated chronological modeling. A natural-prevalence audit estimates 2025H2 DEX prevalence among logged Ethereum transactions at about 22.5%, and a deterministic 400-transaction audit finds complete agreement with task label sources and independently re-queried raw-log counts. ETH-TraceBench therefore treats difficult transfer and controlled-input conditions, rather than a single aggregate score, as the main evaluation target.
• Abstract（参考訳）: Ethereum分散ファイナンス(DeFi)は、トランザクションレベルのイベントストリームをパブリックにタイムスタンプした記録を提供するが、同じ公開シンボルは強力な機械学習ショートカットを生成することができる。 ETH-TraceBenchは、テンポラリ、プロトコル、プール/インフラクチャ構造、シンボリックシフトの下でEthereum DeFi表現を評価するためのベンチマークである。 生イベントの世界は2021年1月から2025年12月までをカバーし、丸太による155億の取引と5.01億の生ログ行を含んでいる。 モデル評価には、固定された911,267インスタンス監視サンプル、2021-2024のトレーニング、2025H1のモデルの選択、2025H2の試験を使用する。 TraceStats-GB は 0.953 macro-F1 に達し、TopicEmitterHashMLP 0.959 は標準 DEX テストセットで実行される。 マクロF1は、TraceStats-GB、TopicEmitterTrace-SGD、TopicEmitterHashMLPで0.794、0.743、0.766であり、厳密なアンシープールスコアは0.927、0.897、0.935のままである。 Uniswap v4とEkubo v1はどちらも教師付きトレーニングを欠席しており、完全なテストよりもかなり難しい。 複合マスキングエミッターとトピックIDは、DEXマクロF1を0.916に減らし、清算マクロF1を TopicEmitterTrace-SGD の0.774に還元する。 ログインデックス順序付きイベントに対する標準的なトランスフォーマーは、同じイベントの決定論的シャッフルに対して一貫した優位性を持たず、高度な時系列モデリングなしでハイアグリゲーションスコアが生じることを示唆している。 自然確率監査では、ログ化されたEthereumトランザクション間で2025H2 DEXの頻度を約22.5%と推定し、決定論的400トランザクション監査はタスクラベルソースと独立にクエリされた生ログカウントとの完全な一致を見出す。 したがって、ETH-TraceBenchは単一の集計スコアではなく、難しい転送条件と制御された入力条件を主な評価対象として扱う。

関連論文リスト

• Temporal Heterogeneous Graph Transformer for Credit Card Fraud Detection [0.0]
  本稿では, フラッド検出のための時間不均一グラフ変換器THGT-FDを提案する。 IEEE-CIS Fraud Detectionデータセットからサンプリングした15万件のトランザクションについて実験を行った。
  論文  参考訳（メタデータ） (2026-09-07T06:43:38Z)
• VAIOM: Continuous-Input, Discrete-Output Decoder-Only Financial Sequence Modeling [5.407677397417658]
  直交回帰モデリングのためのベクトル入力自己回帰推論(VAIOM)を提案する。 VAIOMはデコーダのみのトランスフォーマーで、1時間の外国交換バー上での確率的逆戻りモデリングを行う。 連続的な入力は、同じカテゴリーの回帰目標の下で離散的な入力よりも改善されることを示す。
  論文  参考訳（メタデータ） (2026-07-15T15:10:10Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection [1.2019888796331233]
  IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。 BRIDGEは、IoT侵入検知のための、初めて公式に指定された異種マルチデータセットベンチマークである。 我々は,LODO F1 = 0.5577 において,単一ベンチマーク最適化からクロス環境一般化へとアジェンダをシフトさせる最初のコミュニティ一般化ベースラインを確立する。
  論文  参考訳（メタデータ） (2026-04-13T11:25:39Z)
• TFT-ACB-XML: Decision-Level Integration of Customized Temporal Fusion Transformer and Attention-BiLSTM with XGBoost Meta-Learner for BTC Price Forecasting [0.7857499581522376]
  既存のディープラーニングモデルは、様々な市場条件で解釈可能性や一般化に苦しむことが多い。 本研究は,BTC閉値予測のためのハイブリッドスタック一般化フレームワークTFT-ACB-XMLを提案する。 2014年10月1日から2026年1月5日までのBTCデータを用いた実証検証では,提案フレームワークの性能が向上した。
  論文  参考訳（メタデータ） (2026-02-12T20:20:56Z)
• FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering [0.0]
  我々は、アンチマネーロンダリング検出のためのプライバシ生成グラフ学習フレームワークであるFedGraph-VASPを提案する。 私たちの重要なコントリビューションは、境界アカウントの圧縮された非可逆グラフニューラルネットワーク表現のみを共有する境界埋め込み交換プロトコルです。
  論文  参考訳（メタデータ） (2026-01-25T18:14:26Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Denoising MCMC for Accelerating Diffusion-Based Generative Models [54.06799491319278]
  拡散モデルは、スコア関数を用いて拡散過程の逆をシミュレートし、ノイズからデータを合成する強力な生成モデルである。 本稿では,スコアベースサンプリングを高速化するアプローチを提案する。 DMCMC のインスタンスである Denoising Langevin Gibbs (DLG) が6つの逆S/ODE 計算タスクの高速化に成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:16:10Z)

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。