XGBoost 在以太坊 Sybil 机器人检测方面优于 Transformer 模型

一篇新发表在 arXiv 上的研究论文评估了不同的机器学习模型在以太坊区块链上检测 Sybil 机器人的性能。该研究引入了一个泄漏感知的评估框架和一个用于表示钱包行为的“交易语法”，旨在提供更准确和实用的检测方法。结果表明，在考虑标签泄漏的情况下，基于树的模型 XGBoost 的表现优于 Transformer++ 和 BiLSTM 等基于序列的 Transformer 模型，同时还具有更低的延迟和能耗。 AI

影响 这项研究表明，像 XGBoost 这样更简单、更高效的模型可能足以满足实时区块链分析的需求，从而可能降低计算成本并提高部署的实用性。

排序理由 发表在 arXiv 上的研究论文，详细介绍了模型评估。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• BiLSTM
• Ethereum
• Ethereum Virtual Machine
• support vector machine
• Sybil bots
• Transformer++
• XGBoost

• 论文
• 模型发布
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →