対照的な学習フレームワークは、ブロックチェーンベースのスマートポンジースキームを検出できます

全体的なフレームワーク：ステップ1：モデルの特徴抽出器を、非標識データを使用してプリセットされた自己監視表現学習フレームワークでトレーニングします。ステップ2：分類器は、特徴抽出器を介して特徴を抽出することにより、ラベル付きおよび非標識データを使用して共同でトレーニングされます。ステップ3：不明なスマートコントラクトをトレーニングされた機能エンコーダーに入力して機能を抽出し、それらを訓練された分類器に入力して分類タスクを完了します。クレジット： arxiv （2025）。 doi：10.48550/arxiv.2507.16840 ブロックチェーンテクノロジーは、いくつかのコンピューターに情報のコピーを配布することで機能するデジタルシステムであり、ノードとも呼ばれ、すべてが共通のネットワークに接続されています。これらの技術は、暗号通貨の取引と、他の新興デジタルサービスの機能を支えています。 その間 ブロックチェーン テクノロジーは、暗号通貨、デジタルアート、その他のデジタル資産の取引のための新しい機会を開き、詐欺的な活動にもよく使用されます。おそらく最も顕著なのは、現在、Smart Ponziスキームとして知られる不正な投資スキームに広く使用されていることです。 スマートポンジースキームでは、個人は特定のデジタル通貨または資産に投資し、定期的に自動的にお金を引き出すいわゆるスマートコントラクトに署名するよう求められます。彼らの投資は最初は実り多いように見えるかもしれませんが、初期の投資家は実際に新しい個人から投資されたお金で支払われています。しばらくすると、すべての投資家に支払うのに十分なリソースがなくなったため、システム全体が崩壊します。 近年、コンピューター科学者と金融セキュリティの専門家は、これらの不正なスキームを自動的に検出するための戦略を考案しようとしています。これまでに開発されたほとんどのソリューションは依存しています ディープラーニングアルゴリズム ブロックチェーントランザクションのスマートポンジースキームに関連するパターンを特定するように訓練されています。 彼らの約束にもかかわらず、うまく機能するために、これらの深い学習ベースの手法は訓練されなければなりません 大きなデータセット 人間の専門家によるラベル付けされたブロックチェーントランザクションを含む。このデータにラベルを付けるには、幅広い時間とリソースが必要であるため、既存のソリューションは、実際の設定でのスマートポンジースキームの信頼できる検出には理想的ではない場合があります。 中国の電子科学技術、マカオ市、スウィンバーン大学技術大学は、最近、ラベルのトレーニングデータを必要とせずにスマートポンジースキームを精度で検出できる深い学習ベースのフレームワークであるキャスパー（スマートポンジ検出器の対照的アプローチ）を開発しました。 この新しい手法は、紙に紹介されています 公開 に arxiv プリプリントサーバーは、異なるブロックチェーントランザクション間の類似性と相違点を比較することにより、これらの不正アクティビティを検出することを学ぶことができるモデルに依存しています。 「ディープラーニングに基づく従来のポンジースキーム検出方法は、通常、完全に監視されたモデルに依存しています。これには、大量のラベル付きデータが必要です」と、Tian Lanと同僚のWeija Yangは書いています。 「しかし、そのようなデータはしばしば不足しており、効果的なモデルトレーニングを妨げています。この課題に対処するために、ブロックチェーントランザクションでのスマートポンジスキーム検出を強化するように設計された、新しいコントラスト学習フレームワーク、キャスパー（より多くの負のサンプルを使用したスマートポンジ検出器のコントラストアプローチ）を提案します。」 ブロックチェーントランザクションでスマートポンジスキームの兆候を拾うために、ヤン、ラン、およびその同僚は、コントラスト学習として知られるアプローチを採用しました。これは、計算モデルがそれらを比較することで異なることを伝えることを学ぶ機械学習手法です。 「対照的な学習手法を活用することにより、キャスパーは、無効なデータセットを使用してスマートコントラクトソースコードのより効果的な表現を学ぶことができ、運用コストとシステムの複雑さの両方を大幅に削減することができます」と研究者は書いています。 チームは、公開されているデータセットからブロックチェーントランザクションを供給された一連のテストで、新しいPonziスキーム検出手法を評価しました。限られた量のラベル付きデータで訓練されているにもかかわらず、彼らのフレームワークは非常にうまく機能しました。 「XblockデータセットでCasperを評価します。そこでは、100％のラベル付きデータでトレーニングされた場合、F1スコアでベースラインを2.3％上回ります」とチームは書いています。 「より印象的に、ラベルが25％しかないため、Casperは同一の実験条件下でベースラインよりも20％近く高いF1スコアを達成します。これらの結果は、スマートポンジースキームの効果的かつ費用効率の高い検出の可能性を強調し、将来のスケーラブルな不正検出ソリューションの道を開きます。」 将来的には、キャスパーフレームワークを改善およびテストすることができ、スマートポンジースキームを検出および緩和する可能性をさらに評価しました。最終的には、現実世界の設定に進むことができ、そこでデジタル通貨投資家を悪意のある活動から保護するのに役立ちます。 私たちの著者によってあなたのために書かれています Ingrid Fadelli、編集 ステファニー・バウム、および事実確認され、レビューされました ロバート・イーガン- この記事は、慎重な人間の仕事の結果です。私たちはあなたのような読者に頼って、独立した科学ジャーナリズムを生かし続けます。この報告が重要な場合は、aを検討してください…