論文の概要: Quality over Quantity: Semi-Supervised Detection of Illicit Bitcoin Flows via Feature Engineering

• arxiv url: http://arxiv.org/abs/2609.27936v1
• Date: Sat, 22 Aug 2026 12:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.015376
• Title: Quality over Quantity: Semi-Supervised Detection of Illicit Bitcoin Flows via Feature Engineering
• Title（参考訳）: 量を超える品質:機能エンジニアリングによるBitcoinフローの半監督検出
• Abstract要約: 半教師付き学習(SSL)は,データボリュームだけでは保証されないが,データ品質に依存していることを示す。 私たちの研究は、ブロックチェーンの法医学において、優れたパフォーマンスへの道は、より大きなデータセットだけでなく、データ品質のためのよりスマートな機能エンジニアリングにあります。
• 参考スコア（独自算出の注目度）: 2.1137096042825556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting illicit cryptocurrency transactions is hampered by extreme class imbalance, adversarial obfuscation, and a scarcity of reliable labels. While semi-supervised learning (SSL) offers a promising solution by leveraging unlabeled data, we show that its success is not guaranteed by data volume alone but is contingent on data quality. We introduce an SSL framework for detecting illicit Bitcoin flows in Shared Send Mixers (SSM) transactions, built on a comprehensive historical dataset comprising 163 million transactions. Our main conclusion is that the success of SSL depends on data quality rather than volume: high-fidelity features such as KeyLinker address clustering and Shared Send Untangling (SSU) complexity metrics achieve an F1 score of 0.84 on unlabeled data. Finally, we empirically show that common heuristics like One-Time Change (OTC), though abundant, introduce noise, while strategic reliance on higher-fidelity features like KeyLinker is essential. Our work establishes that in blockchain forensics, the path to better performance lies in smarter feature engineering for data quality, not just larger datasets.
• Abstract（参考訳）: 不正な暗号通貨取引の検出は、極端な階級不均衡、敵対的難読化、信頼できるラベルの不足によって妨げられる。 半教師付き学習(SSL)は、ラベルのないデータを活用することで有望なソリューションを提供するが、その成功はデータボリュームだけで保証されるものではなく、データ品質に依存していることを示す。 我々は,1億6300万トランザクションからなる包括的な履歴データセット上に構築された共有センドミキサー(SSM)トランザクションにおいて,不正なBitcoinフローを検出するSSLフレームワークを導入する。 KeyLinkerアドレスクラスタリングやSSU(Shared Send Untangling)複雑性メトリクスのような高忠実な機能は、ラベルのないデータに対してF1スコアの0.84を達成します。 最後に、One-Time Change (OTC)のような一般的なヒューリスティックな手法が豊富ながノイズを導入し、KeyLinkerのような高忠実な機能への戦略的依存が不可欠であることを実証的に示します。 私たちの研究は、ブロックチェーンの法医学において、優れたパフォーマンスへの道は、より大きなデータセットだけでなく、データ品質のためのよりスマートな機能エンジニアリングにあります。

関連論文リスト

• D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning [0.0]
  Protは、フェデレーション付き学習、ブロックチェーンの仲裁、経済インセンティブを、プライバシ保護データ共有のための単一のフレームワークに統合する分散データマーケットプレースです。 protはMNISTで最大99%の精度、Fashion-MNISTで90%の精度を達成し、30%のビザンチンノードで3%未満の劣化、CIFAR-10で56%の精度を達成している。
  論文  参考訳（メタデータ） (2025-12-11T07:38:05Z)
• ConneX: Automatically Resolving Transaction Opacity of Cross-Chain Bridges for Security Analysis [24.725668502966585]
  ConneXは、クロスチェーンブリッジの両端で対応するトランザクションペアを正確に識別するように設計された自動化システムである。 不正資金の追跡におけるその成功例は、クロスチェーンのセキュリティと透明性を高めるための実用性を強調している。
  論文  参考訳（メタデータ） (2025-11-03T09:44:02Z)
• Correlating Account on Ethereum Mixing Service via Domain-Invariant feature learning [13.405407918706254]
  Tornado Cashのようなサービスを混在させることによるトランザクションの追跡不能は、ブロックチェーンのセキュリティと金融規制に重大な課題をもたらす。 我々は、クロスタスクなドメイン不変の機能学習を通じてこれらの制限に対処する新しいフレームワークであるStealthLinkを提案する。 実世界の混合トランザクションデータセットの実験は、StealthLinkが10ショットの学習シナリオで96.98%のF1スコアで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-15T01:27:12Z)
• SeMi: When Imbalanced Semi-Supervised Learning Meets Mining Hard Examples [54.760757107700755]
  Semi-Supervised Learning (SSL)は、豊富なラベルのないデータを活用して、モデルのパフォーマンスを向上させる。 実世界のシナリオにおけるクラス不均衡なデータ分散は、SSLに大きな課題をもたらし、結果としてパフォーマンスが低下する。 マイニングハードケース(SeMi)による不均衡半教師学習の性能向上手法を提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:35:16Z)
• Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs [16.25273745598176]
  暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
  論文  参考訳（メタデータ） (2023-09-04T09:01:56Z)
• Does Decentralized Learning with Non-IID Unlabeled Data Benefit from Self Supervision? [51.00034621304361]
  自己教師型学習(SSL)のレンズによるラベルなしデータによる分散学習の研究 本研究では,分散学習環境下でのコントラスト学習アルゴリズムの有効性について検討する。
  論文  参考訳（メタデータ） (2022-10-20T01:32:41Z)
• Towards Realistic Semi-Supervised Learning [73.59557447798134]
  オープンワールド環境でSSLに取り組み、未知のクラスと未知のクラスを同時に分類する新しい手法を提案する。 我々のアプローチは、既存の最先端の7つのデータセットよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-07-05T19:04:43Z)
• Class-Aware Contrastive Semi-Supervised Learning [51.205844705156046]
  本研究では,擬似ラベル品質を向上し,実環境におけるモデルの堅牢性を高めるため,CCSSL(Class-Aware Contrastive Semi-Supervised Learning)と呼ばれる一般的な手法を提案する。 提案するCCSSLは,標準データセットCIFAR100とSTL10の最先端SSLメソッドに対して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-03-04T12:18:23Z)
• Robust Deep Semi-Supervised Learning: A Brief Introduction [63.09703308309176]
  半教師付き学習(SSL)は、ラベルが不十分なときにラベル付きデータを活用することにより、学習性能を向上させることを目的としている。 ディープモデルによるSSLは、標準ベンチマークタスクで成功したことが証明されている。 しかし、それらは現実世界のアプリケーションにおける様々な堅牢性に対する脅威に対して依然として脆弱である。
  論文  参考訳（メタデータ） (2022-02-12T04:16:41Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

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。