An AI Multi-Model Approach to DeFi Project Trust Scoring and Security
Notice bibliographique
Résumé
Rampant scams plague decentralized finance (DeFi) projects, creating a DeFi credibility problem that limits the impact of DeFi advances in the availability and variety of financial services. This paper presents a novel solution to the DeFi credibility problem by developing an AI multi-model that generates TrustScore ratings for DeFi projects and clear explanations of the scores. We generate DeFi-project TrustScore by aggregating multiple factors that provide DeFi investors with a holistic view of DeFi project trustworthiness. To rate a DeFi project with a TrustS core, we combine the output of four AI pipelines that analyze smart contract code vulnerabilities, suspicious transactions, anomalous price changes to smart contracts, and social media scam sentiment. Applying four factors exponentially improves the trust-score accuracy over the single-factor approaches done historically. Two of the factors, anomalous price change, and social media sentiment, have not been used before to detect DeFi fraud. Furthermore, we enhanced the most critical factor, smart-contract code vulnerability detection, with the latest Large Language Models (LLMs). Our overall system is a multi-model composed of a TrustS core Explainer LLM that aggregates individual pipeline results, a fine-tuned GPT model to audit smart contract code, the Prophet forecasting tool, FinBERT tailored for financial Natural Language Processing (NLP), and XGBoost for classification. The proposed approach identifies a significant proportion of known fraudulent DeFi projects and generates an accurate and explained TrustScore. Thus, we address the DeFi credibility problem so that investors can make reliable decisions about DeFi projects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».