暗号資産・ブロックチェーン · 2026年10月12日(月)

ビットコイン、イーサリアム、ステーブルコイン、DeFi、スマートコントラクト、スケーリングとコンセンサス。

arXiv cs.LG · cs.AI コードあり

Feature-Context Consistency: Unsupervised Adversarial Detection with Drift Stability on Attributed Graphs

説明特徴-文脈一貫性:属性付きグラフにおけるドリフト安定な教師なし敵対的検出

要約本論文は、時間とともに変化する属性付きグラフ上の敵対的検出を扱い、ノードの属性と近傍の集約属性の整合性(特徴-文脈一貫性)を構造的な信号として用いる手法を提案します。制限付きボルツマンマシンの枠組みで文脈ブースト(CB)スコア(CB-RBM)を定式化し、正常ノードと敵対的ノードのCB期待値の分離とドリフト下での分布の移動に関する理論的保証を示しています。イーサリアムのフィッシング検出とReddit追放ユーザー検出のデータセットで評価され、ラベルなしでAUROC 0.96以上を達成し、ドリフト下でも偽陽性率を目標の5%付近に保ちました。

Firas Bayram, Maxime Cordy

arXiv q-fin.ST · cond-mat.stat-mech

Asymmetric q-Gaussian Distributions from Tsallis Maximum Entropy

説明Tsallis最大エントロピーから導かれる非対称q-ガウス分布

要約本論文は非広延統計力学の枠組みで、非対称なq-ガウス分布を提案します。標準的なq-ガウス分布は本質的に対称であり、実データに見られる非対称な変動を捉えられません。著者らはTsallisエントロピーを保持したまま、全体のエスコート平均と上方・下方のエスコート半分散を制約として課し、問題を凹汎関数の最大化として定式化しています。模擬データおよび株価指数、商品、暗号資産のリターン系列による樹本内適合では、非対称モデルが特に裾部で対称モデルより良い適合を示したと報告しています。

Francesco Cesarone, Massimiliano Corradini, Nicol\`o Giunta ほか

★★★★★ 注目
arXiv q-fin.TR

Demand Under a Mechanical Price: Elasticity and Welfare in Ethereum's Data-Availability Market

説明機械的価格のもとでの需要:イーサリアムのデータ可用性市場における弾力性と厚生

要約イーサリアムは、累積利用量に応じて手数料を自動調整するコントローラーで価格が決まる「blob」により、rollup へデータ可用性の容量を販売しています。本論文は2025年5月7日のPectraアップグレードによる blob 容量の倍増を利用して需要の弾力性を推定し、需要はかなり非弾力的で、価格メカニズムは主に所得の移転として機能すると示しています。また、2025年12月に導入された留保価格が容量に余裕がある時期に生じさせた死重損失の上限は2.6 ETHだと推計しています。

注目点計画的アップグレードを準自然実験として用い、イーサリアムのblob価格弾力性と厚生損失を推定する新しい分析で、プロトコル設計に実務的影響がある。

Farbod Ghasemlu

arXiv cs.CR · cs.AI · cs.LG

CryptoFlowBench: Benchmarking Multi-Hop Reasoning on Blockchains for Cryptocurrency Fund Tracing

説明CryptoFlowBench:暗号資産の資金追跡における区块链多段階推論のベンチマーク

要約本論文は、暗号資産関連の違法事件に関する権威ある報告書をもとに構築されたベンチマーク CryptoFlowBench を提案し、局所的なものから多段階に及ぶ資金追跡の4タスクを含みます。また、グラフツールを呼び出し、追跡経路を反復的に更新するエージェント ChainSleuth を提案しています。実験では、どの基準手法も4タスクすべてで優れた結果を示さず、多段階タスクでは ChainSleuth に明確な改善が見られました。

Runang He, Tongya Zheng, Jing Cao ほか

arXiv cs.LG

GuidanceNFT: NFT-Based Reward Fine-Tuning of Guided Diffusion Models

説明GuidanceNFT:ガイド付き拡散モデルのNFT報酬ファインチューニング

要約論文は、DiffusionNFTがタスク報酬を最適化する際、プロンプト全体への忠実性が保証されないことを指摘します。分類器フリーガイダンス(CFG)はプロンプトとの整合性を高めますが、CFGを適用すると最適化された報酬が下がることがあります。著者らはNFT損失の参照速度と誘導サンプル分布のスコアの不一致を原因とみて、オンラインのフローマッチングで整合する参照速度を推定して損失を補正するGuidanceNFTを提案します。SD3.5-Mでの実験では、CFGの有無にかかわらずNFTより高い報酬が得られ、内蔵ガイダンスを持つモデルでも性能向上が示されています。

Jiayin Liu, Zeyu Michael Li, Bingshuo Qian ほか