隐藏与贬低：用于 Symphony 去中心化多主体系统中市场操纵检测的强化学习框架
人工智能
2026-05-26 v3
摘要
去中心化金融 (DeFi) 引入了新的权限无关金融创新，同时也导致了前所未有的市场操纵。没有中心化监督，恶意行为者在 various platforms 之间协调推销活动和抄底抛盘 scheme。我们提出一个用于去中心化操纵检测的多主体强化学习 (MARL) 框架，将操纵者与检测者之间的相互作用建模为动态对抗游戏。该框架使用延迟的代币价格反应作为金融指标来识别可疑模式。本方法引入了三个创新点：(1) 组相对策略优化 (GRPO) 以增强稀疏奖励和部分可观测环境下的学习稳定性；(2) 受理性预期和信息不对称启发的基于理论的奖励函数，区分价格发现与操纵噪声；(3) 集成了 LLM 基于语义特征、社交图信号和链上市场数据的多模态主体管线，以进行有信息的决策。该框架集成于 Symphony 系统中，该系统是一个去中心化的多主体架构，支持点对点主体执行和通过分布式日志实现信任感知学习，支持链上可验证评估。Symphony 通过促进具有战略行为者的对抗性演化，维持 robust 操纵检测，不需要中心化的 oracle，实现全球 DeFi 生态系统的实时监视。基于 100,000 个真实世界语境剧集训练并在对抗性模拟中验证，Hide-and-Shill 在检测准确率和因果归因方面实现了领先的性能。这一工作桥接了多主体系统与金融监视，推动了去中心化市场智能的新范式。所有资源都可用 Hide-and-Shill GitHub 仓库，以促进开放研究和可重复性。
引用
@article{arxiv.2507.09179,
title = {Hide-and-Shill: A Reinforcement Learning Framework for Market Manipulation Detection in Symphony-a Decentralized Multi-Agent System},
author = {Ronghua Shi and Yiou Liu and Yuchun Feng and Lynn Ai and Bill Shi and Zhuang Liu},
journal= {arXiv preprint arXiv:2507.09179},
year = {2026}
}