論文の概要: DeFiRank: Federated Pairwise Ranking for Governance in Decentralized Financial Networks
- arxiv url: http://arxiv.org/abs/2610.12916v1
- Date: Fri, 09 Oct 2026 03:06:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.36653
- Title: DeFiRank: Federated Pairwise Ranking for Governance in Decentralized Financial Networks
- Title（参考訳）: DeFiRank:分散金融ネットワークにおけるガバナンスのためのペアワイドランキング
- Abstract要約: nameは、分散型金融ネットワークのための学習ベースのペアワイドランキングフレームワークである。
名前は彼らの行動の正当性に基づいて プロバイダをランク付けする 真の貢献者を奨励し 疑わしい行動を示す者を デモする
実世界のブロックチェーントランザクションデータセットの名前を評価する。
- 参考スコア（独自算出の注目度）: 0.45236145336206013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing governance approaches in decentralized financial networks rely on manual review processes conducted by human committees, which introduces subjective bias, creates a scalability bottleneck under high network volume, and fails to capture complex behavioural patterns and evolving network dynamics. To address these limitations, we propose \name, a federated learning-based pairwise ranking framework in which multiple institutions collaboratively train a ranking model without sharing their private transaction data. This collaborative learning enables the model to capture network-wide behavioural patterns that signify strong network participation and directly contribute to the network effect, including diversity of counterparties, usage of multiple applications, and frequency of transactions. The proposed system ranks providers based on the authenticity of their actions, promoting genuine contributors and demoting those exhibiting suspicious behaviour. We evaluate \name\ on a real-world blockchain transaction dataset. Results demonstrate that the federated approach achieves ranking performance modestly below the centralized baseline (NDCG@15: $\approx$0.87 vs.\ $\approx$0.92) while preserving data privacy and matching its ranking stability (Kendall $τ$: $\approx$0.70 for both regimes), producing reliable governance decisions, including provider promotion and demotion (648 and 39 unique providers, respectively), without requiring centralized access to sensitive transaction data.
- Abstract（参考訳）: 分散化された金融ネットワークにおける既存のガバナンスアプローチは、主観的バイアスを導入し、高いネットワークボリュームの下でスケーラビリティのボトルネックを発生させ、複雑な行動パターンを捉え、ネットワークのダイナミクスを進化させる、人事委員会による手動のレビュープロセスに依存している。
このような制約に対処するために,複数の機関がプライベートトランザクションデータを共有せずにランキングモデルを協調的にトレーニングする,フェデレーション付き学習ベースのペアワイドランキングフレームワークであるShanameを提案する。
この協調学習により、強力なネットワーク参加を示すネットワーク全体の行動パターンをキャプチャし、ネットワーク効果に直接寄与することができる。
提案システムは,その行動の真正性に基づいて提供者をランク付けし,真の貢献者を奨励し,不審な行動を示す者をデモする。
実世界のブロックチェーントランザクションデータセット上で \name\ を評価する。
その結果,集中型ベースライン(NDCG@15: $\approx$0.87 vs。
データプライバシを保持し、そのランク安定性(Kendall $τ$: $\approx$0.70)に適合する一方で、プロバイダのプロモーションや削除(それぞれ648および39のユニークなプロバイダ)を含む信頼できるガバナンス決定を生成する。
関連論文リスト
- DARTIC: Decentralized Anonymous Reputation at Scale for Trustworthy Crowdsourcing [3.7091556547212843]
DARTICは、クラウドソーシングのための分散化、匿名化、スケーラブルな評判駆動フレームワークである。
我々は,zkSNARKベースの集合メンバシップ証明を導入し,すべてのユーザを1つのアクセストークンに暗号的に結び付ける。
その結果, 完全分散型クラウドソーシングシステムにおいて, 匿名性, 堅牢な評価バインド, スケーラビリティを両立させることができることがわかった。
論文 参考訳（メタデータ） (2026-05-18T09:52:11Z) - Privacy-Preserving Federated Fraud Detection in Payment Transactions with NVIDIA FLARE [8.722681894212917]
本稿では、NVIDIA FLAREフレームワークを用いて、支払いトランザクションに対するフェデレートされた異常検出を評価する。
我々は、異種金融機関の現実的な連盟をシミュレートし、それぞれが異なる詐欺のタイプを観察する。
フェデレーション平均化(FedAvg)を用いてトレーニングしたディープニューラルネットワークを用いて,フェデレーションモデルの平均F1スコアが0.903であることを示す。
論文 参考訳（メタデータ） (2026-03-13T21:50:53Z) - 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) - Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。
DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。
本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
論文 参考訳（メタデータ） (2025-08-01T12:51:37Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z) - Optimizing Blockchain Analysis: Tackling Temporality and Scalability with an Incremental Approach with Metropolis-Hastings Random Walks [2.855856661274715]
既存のメソッドは主にトランザクションネットワークのスナップショットに焦点を当てている。
本稿では,トランザクションネットワークにおけるランダムウォークに基づくノード表現学習のための漸進的なアプローチを提案する。
潜在的なアプリケーションには、トランザクションネットワークの監視、不正検出のためのブロックチェーンアドレスの効率的な分類、ネットワーク内の特別なアドレスタイプの識別などがある。
論文 参考訳（メタデータ） (2025-01-21T20:34:38Z) - WPFed: Web-based Personalized Federation for Decentralized Systems [11.458835427697442]
我々はWPFedを紹介した。WPFedは、グローバルに最適な隣人選択を可能にするように設計された、完全に分散されたWebベースの学習フレームワークである。
セキュリティを強化し、悪意のある振る舞いを抑えるため、WPFedはLSHコードとパフォーマンスランキングの両方の検証メカニズムを統合している。
我々の発見は、WPFedが多種多様な相互接続されたWeb環境にまたがって効果的でセキュアな分散協調学習を促進する可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-10-15T08:17:42Z) - Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
平均フィールドゲームフレームワークにネットワーク通信を導入する。
当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。
ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
論文 参考訳（メタデータ） (2023-06-05T10:45:39Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳（メタデータ） (2023-02-28T19:17:03Z)
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。