arXiv cs.AI· Zahra Batool, Michael Duchesne, Kaiwen Zhang, Ulrich Aivodji·· 6 天前AI 评分15
DeFiRank：面向去中心化金融网络治理的联邦成对排序框架
DeFiRank: Federated Pairwise Ranking for Governance in Decentralized Financial Networks
AI 导读
DeFiRank 是一个基于联邦学习的成对排序框架，让多家机构在不共享私有交易数据的前提下协同训练排序模型，用于去中心化金融网络的治理。在真实区块链交易数据集上，其 NDCG@15 约为 0.87，略低于中心化基线的约 0.92，但排序稳定性与后者持平（Kendall τ 均约 0.70），并完成 648 个提供商的晋升与 39 个的降级。
正文 · AI 翻译
摘要：去中心化金融网络中现有的治理方法依赖由人类委员会进行的人工审核流程，这引入了主观偏见，在高网络交易量下造成可扩展性瓶颈，并且无法捕捉复杂的行为模式和不断演变的网络动态。为解决这些局限，我们提出 \name，一个基于联邦学习的成对排序框架，其中多个机构在不共享其私有交易数据的情况下协作训练一个排序模型。这种协作学习使模型能够捕捉表明强网络参与度并直接促进网络效应的全网行为模式，包括交易对手的多样性、多个应用的使用以及交易频率。所提出的系统根据提供者行为的真实性对其进行排序，提升真实贡献者并降低表现出可疑行为者的排名。我们在一个真实世界的区块链交易数据集上评估 \name。结果表明，联邦方法取得的排序性能略低于集中式基线（NDCG@15：$\approx$0.87 对 $\approx$0.92），同时保护数据隐私并达到与其相当的排序稳定性（Kendall $\tau$：两种情形均约为 0.70），产生可靠的治理决策，包括提供者的提升和降级（分别为 648 和 39 个唯一提供者），而无需集中访问敏感交易数据。
| 评论： | 8 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.12916 [cs.AI] |
| （或 arXiv:2610.12916v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12916 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zahra Batool [查看电子邮件]
[v1]
2026年10月9日星期五 03:06:17 UTC（2,109 KB）
来源：arXiv cs.AI · arxiv.org