تعد الأسواق المالية اللامركزية (DeFi) بمثابة ثورة في مجال الابتكار المالي. لكن هذا التحول جاء معه تحديات جديدة، حيث أظهر المتلاعبون مهارات غير مسبوقة في تنفيذ حملات الغش. في ظل غياب الرقابة المركزية، نشهد تنسيقاً بين الفاعلين السيئين لخلق مشاهد قد تضر بالأخضر في الأسواق.

في هذا السياق، تم تقديم إطار التعلم المعزز المتعدد العملاء (MARL) لرصد التلاعب، والذي يقوم على نمذجة تفاعلات المتلاعبين والكاشفين في لعبة تنافسية ديناميكية. يعتمد هذا الإطار على تحديد الأنماط المشبوهة باستخدام ردود الفعل المتأخرة لأسعار الرموز كدلائل مالية.

وبما أن الهدف هو تحسين عملية الكشف، تبرز ثلاثة ابتكارات رئيسية في هذا الإطار:
1. **تحسين السياسات النسبية الجماعية (GRPO)** لتحسين استقرار التعلم في بيئات مكافآت نادرة وغير واضحة.
2. **وظيفة مكافأة قائمة على النظرية** مستوحاة من التوقعات الرشيدة وعدم التماثل في المعلومات، مما يميز بين اكتشاف الأسعار وضجيج التلاعب.
3. **خط أنابيب وكيل متعدد الوسائط** يجمع بين الميزات الدلالية المستندة إلى نماذج لغوية ضخمة (LLM) وإشارات الشبكة الاجتماعية وبيانات السوق المباشرة لاتخاذ قرارات مستنيرة.

يتم دمج هذا الإطار ضمن نظام Symphony، وهو بنية متعددة العملاء لامركزية تتيح تنفيذ الوكلاء من نظير إلى نظير والتعلم المعتمد على الثقة من خلال سجلات موزعة، مما يدعم تقييمات قابلة للتحقق عبر السلسلة. تعتبر Symphony منصة لتعزيز التطور التنافسي بين الفاعلين الاستراتيجيين، والحفاظ على رصد فعال للتلاعب دون الحاجة إلى أوacles مركزية، مما يمكن من المراقبة السريعة عبر نظم DeFi العالمية.

بعد تدريب الإطار على 100,000 حلقة حوار واقعية والتحقق منها في محاكيات تنافسية، أثبت Hide-and-Shill أداءً متفوقًا في دقة الكشف والنسب السببية. يجسد هذا العمل جسراً بين نظم متعددة العملاء والمراقبة المالية، ويعزز نموذجاً جديدًا للاستخبارات السوقية اللامركزية. جميع الموارد متاحة في مستودع Hide-and-Shill على GitHub لتعزيز البحث المفتوح وقابلية التكرار.