論文の概要: Revisiting Elliptic++ for Bitcoin Forensics: Feature Reconstruction and Leakage-Resistant Evaluation
- arxiv url: http://arxiv.org/abs/2611.04000v1
- Date: Mon, 02 Nov 2026 21:40:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:52:59.925283
- Title: Revisiting Elliptic++ for Bitcoin Forensics: Feature Reconstruction and Leakage-Resistant Evaluation
- Title（参考訳）: Bitcoinの法医学における楕円型++の再検討 - 特徴再構成とリーク抵抗性評価
- Abstract要約: Ellipticとアドレスレベルの拡張 Elliptic++は、Bitcoinの法医学で広く使われているベンチマークデータセットである。
Elliptic++における将来の情報漏洩を識別し、リーク耐性パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Elliptic and its address-level extension Elliptic++ are widely used benchmark datasets in Bitcoin forensics, cited by more than 1300 academic studies according to Google Scholar. We identify future information leakage in Elliptic++. Its positional data split does not respect temporal order, and the exact definitions of its address-level features remain undocumented. We revisit how the 55 Elliptic++ address-level features are computed and propose a leakage-resistant pipeline. First, the exact feature definitions are recovered by linking Elliptic transactions to public ledger data. Second, we compute the features with a temporal split based on each address's first appearance, using only information available at the time of prediction. Once temporal ordering is enforced, the random forest (RF)'s strong predictive performance largely disappears: its F1 score on the illicit class falls from $0.846$ under the original leaky evaluation to just $0.291$ under our leakage-resistant pipeline. Furthermore, RF no longer outperforms a simple logistic regression baseline. We provide the exact feature definitions and executable code to reproduce the leakage-resistant features, so that future Bitcoin forensic models can be evaluated based on genuine predictive capability rather than temporal data leakage.
- Abstract（参考訳）: Ellipticとアドレスレベルの拡張 Elliptic++は、Google Scholarによると1300以上の学術研究によって引用された、Bitcoinの法医学で広く使用されているベンチマークデータセットである。
Elliptic++における将来の情報漏洩を識別する。
その位置データの分割は時間的順序を尊重せず、そのアドレスレベルの特徴の正確な定義は文書化されていない。
55 Elliptic++のアドレスレベル機能がどのように計算されるかを再検討し、リーク耐性パイプラインを提案する。
まず、Ellipticトランザクションを公開台帳データにリンクすることで、正確な機能定義を復元する。
第2に、各アドレスの最初の外観に基づいて、予測時に利用可能な情報のみを用いて、時間分割で特徴を計算する。
ランダムフォレスト(RF)の強い予測性能は、一時的順序付けが実施されれば、不正なクラスでのF1スコアは、元のリーク評価では0.846ドルから、我々のリーク耐性パイプラインでは0.291ドルに低下する。
さらに、RFは単純なロジスティック回帰ベースラインを上回りません。
我々は、リーク耐性のある機能を再現するために、正確な機能定義と実行可能なコードを提供し、将来のBitcoinの法定モデルは、時間的データ漏洩ではなく、真の予測能力に基づいて評価することができる。
関連論文リスト
- LeakBench: Auditing Reward Hacking through Prediction-Time Leakage in Clinical Modeling Agents [10.203903033167629]
LeakBenchは、予測時間漏洩、キャリブレーション、サイトレベルの評価、サポートの認識、決定に制約のあるネット利益のためのエージェント決定をテストする監査スイートである。
LeakBenchは、信頼できる臨床予測を、ただのスコアではなく、エージェントのモデリングプロセスの特性として扱う。
論文 参考訳（メタデータ） (2026-10-19T09:50:57Z) - Proof of Source of Funds: Efficient On-chain Provenance of Cryptoassets [5.222265639534245]
Proof of Source of Funds (PoSoF) は,ユーザの負担をシフトする新しい暗号フレームワークである。
PoSoFは検証可能な暗号証明を提供し、中間トランザクショントポロジをリークすることなく、資金の正当性を保証する。
私たちのベンチマークでは、完全にプライベートでプロアクティブなコンプライアンスが極めて実践的であることが示されています。
論文 参考訳（メタデータ） (2026-06-08T21:07:02Z) - Resilient Byzantine Agreement with Predictions [4.2331787771494875]
本研究では,ノードが予測器にアクセス可能なビザンチン合意問題について検討する。
アルゴリズムのレジリエンス - アルゴリズムが許容できる最大障害ノード数。
我々は、その数が一定割合の$n$に留まる限り、レジリエンスは間違った予測数で線形に減少することを示した。
論文 参考訳（メタデータ） (2026-05-19T07:06:50Z) - Where Do Flow Semantics Reside? A Protocol-Native Tabular Pretraining Paradigm for Encrypted Traffic Classification [5.044786941116112]
自己監督型マスクドモデリングは、生のバイトをマスキングして再構築することで、暗号化されたトラフィック分類を約束する。
最近の研究によると、これらの手法はコストのかかる事前訓練にもかかわらずラベル付きデータへの依存を減らすことができない。
トラフィックをシーケンスバイトにフラットにすることで、プロトコル定義のセマンティクスを破壊します。
論文 参考訳（メタデータ） (2026-03-09T15:15:23Z) - Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks [0.0]
本稿では,時間的トランザクションネットワークのための,安全な(因果)グラフ特徴抽出プロトコルを提案する。
我々は、ディディエンス統計、PageRank、HITSハブまたはオーソリティスコア、kコア指標、近隣到達度測定を含む、直接トランザクショングラフを構築し、解釈可能な構造記述子を計算した。
トランザクション属性は依然として支配的な予測信号であるが、グラフ派生機能は補完的な解釈可能性を提供し、リスクコンテキスト分析を可能にする。
論文 参考訳（メタデータ） (2026-02-24T05:04:06Z) - Exploring Microstructural Dynamics in Cryptocurrency Limit Order Books: Better Inputs Matter More Than Stacking Another Hidden Layer [9.2463347238923]
ニューラルネットワークに余分な隠蔽層やパラメータを追加することで、短期的な価格予測が真に向上するかどうかを検討することを目的としている。
我々は,BTC/USDT LOBスナップショットを100ミリ秒から複数秒間隔で公開して,解釈可能なベースライン,ロジスティック回帰,XGBoostからディープアーキテクチャ(DeepLOB,Conv1D+LSTM)まで,モデルをベンチマークする。
論文 参考訳（メタデータ） (2025-06-06T05:43:30Z) - PEEL the Layers and Find Yourself: Revisiting Inference-time Data Leakage for Residual Neural Networks [64.90981115460937]
本稿では、ディープニューラルネットワーク(NN)の推論時データ漏洩リスクについて検討する。
残差NNの中間出力からブロックワイズ入力特徴を効果的に回収できる新しい後方特徴逆変換法である textbfPEEL を提案する。
その結果,平均二乗誤差 (MSE) で評価した場合,PEEL は最先端の回収方法よりも桁違いに優れていることがわかった。
論文 参考訳（メタデータ） (2025-04-08T20:11:05Z) - FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。
まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。
次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
論文 参考訳（メタデータ） (2024-03-27T09:45:33Z) - The CLEAR Benchmark: Continual LEArning on Real-World Imagery [77.98377088698984]
連続学習(CL)は、生涯AIにとって重要な課題であると考えられている。
本稿では,視覚概念の自然な時間進化を伴う最初の連続画像分類ベンチマークであるCLEARを紹介する。
単純な教師なし事前学習のステップで、最先端のCLアルゴリズムがすでに強化されていることが分かりました。
論文 参考訳（メタデータ） (2022-01-17T09:09:09Z)
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。