Ricerca
Bernoulli CUSUM e limiti bayes-ottimali del rilevamento delle frodi legate alla fiducia nelle reti di valutazioni sparse
Il rilevamento sequenziale della fiducia nelle reti di valutazioni si basa su modelli di osservazione continui che non funzionano sui dati reali. In Bitcoin-OTC, il 56% delle valutazioni assume un…

- arXiv
- 2606.05090
- Pubblicato
- 2026-06-03
- Autori
- Talal Ashraf Butt
Abstract degli autori
Il rilevamento sequenziale della fiducia nelle reti di valutazioni si basa su modelli di osservazione continui che non funzionano sui dati reali. In Bitcoin-OTC, il 56\% delle valutazioni assume un unico valore con la mappatura standard, violando le ipotesi sulla distribuzione richieste dai rilevatori parametrici. Questo studio offre tre contributi. Ricava un limite massimo bayes-ottimale dell’F1 per i rilevatori sequenziali applicati a ciascun nodo, usando parametri di osservazione misurati empiricamente. Al grado entrante mediano di Bitcoin-OTC, pari a 2, questo limite scende a 0,451 per gli attacchi strategici, spiegando perché i metodi non supervisionati si concentrano intorno a $F1 \approx 0.4$. L’analisi mostra che a determinare le prestazioni è la corrispondenza tra rilevatore e modello, non il contenuto informativo: i modelli binari conservano l’86\% dell’informazione mutua e consentono al contempo un adattamento parametrico esatto. Viene presentata un’architettura a due regimi in cui Bernoulli CUSUM rileva i cambiamenti di comportamento e attiva l’assegnazione asimmetrica dei punteggi. Un’analisi di ablazione rivela un vincolo di progettazione congiunta: il meccanismo di modulazione migliora l’AUC di 0,030 sulle osservazioni binarie, ma la peggiora di 0,094 su quelle continue. Il sistema combinato raggiunge un’AUC di 0,749 su Bitcoin-OTC e di 0,796 su Bitcoin-Alpha, superando GaaSTrust in tutti gli 8 attacchi ($p < 0.003$), con un’AUC di 0,999 sulle etichette dei fondatori.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv