論文の概要: Bitcoin Transaction Forecasting with Deep Network Representation
Learning
- arxiv url: http://arxiv.org/abs/2007.07993v2
- Date: Tue, 8 Mar 2022 19:13:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 06:39:48.699958
- Title: Bitcoin Transaction Forecasting with Deep Network Representation
Learning
- Title（参考訳）: ディープネットワーク表現学習によるbitcoinトランザクション予測
- Authors: Wenqi Wei, Qi Zhang, Ling Liu
- Abstract要約: 本稿では,Bitcoinトランザクションネットワーク表現の学習にディープニューラルネットワークを活用することで,Bitcoinトランザクション予測モデルであるDLForecastを開発するための新しいアプローチを提案する。
我々は,時間分解型リーチビリティグラフと時間分解型トランザクションパターングラフを構築し,異なるタイプの時空間Bitcoinトランザクションパターンをキャプチャすることを目的とした。
本研究では, 静的グラフベースライン上に構築した予測モデルと比較して, 時空間予測モデルは高速に実行可能であり, 精度を60%以上向上し, 予測性能を50%向上することを示した。
- 参考スコア（独自算出の注目度）: 16.715475608359046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bitcoin and its decentralized computing paradigm for digital currency trading
are one of the most disruptive technology in the 21st century. This paper
presents a novel approach to developing a Bitcoin transaction forecast model,
DLForecast, by leveraging deep neural networks for learning Bitcoin transaction
network representations. DLForecast makes three original contributions. First,
we explore three interesting properties between Bitcoin transaction accounts:
topological connectivity pattern of Bitcoin accounts, transaction amount
pattern, and transaction dynamics. Second, we construct a time-decaying
reachability graph and a time-decaying transaction pattern graph, aiming at
capturing different types of spatial-temporal Bitcoin transaction patterns.
Third, we employ node embedding on both graphs and develop a Bitcoin
transaction forecasting system between user accounts based on historical
transactions with built-in time-decaying factor. To maintain an effective
transaction forecasting performance, we leverage the multiplicative model
update (MMU) ensemble to combine prediction models built on different
transaction features extracted from each corresponding Bitcoin transaction
graph. Evaluated on real-world Bitcoin transaction data, we show that our
spatial-temporal forecasting model is efficient with fast runtime and effective
with forecasting accuracy over 60\% and improves the prediction performance by
50\% when compared to forecasting model built on the static graph baseline.
- Abstract（参考訳）: bitcoinとそのデジタル通貨取引のための分散コンピューティングパラダイムは、21世紀の最も破壊的な技術の一つだ。
本稿では,Bitcoinトランザクションネットワーク表現の学習にディープニューラルネットワークを活用することで,Bitcoinトランザクション予測モデルであるDLForecastを開発するための新しいアプローチを提案する。
DLForecastは3つのオリジナルの貢献をしている。
まず、Bitcoinトランザクションアカウント間の興味深い3つの特性、すなわち、Bitcoinアカウントのトポロジカル接続パターン、トランザクション量パターン、トランザクションダイナミクスについて調べる。
第2に,時間分解性グラフと時間分解性トランザクションパターングラフを構築し,異なるタイプの時空間Bitcoinトランザクションパターンをキャプチャすることを目的とした。
第3に、両方のグラフにノード埋め込みを採用し、履歴トランザクションと時間遅延係数を組み込んだ、ユーザアカウント間のBitcoinトランザクション予測システムを開発した。
効率的なトランザクション予測性能を維持するために、乗算モデル更新(MMU)アンサンブルを利用して、対応するBitcoinトランザクショングラフから抽出されたさまざまなトランザクション特徴に基づいて構築された予測モデルを組み合わせる。
実世界のbitcoinトランザクションデータに基づいて評価した結果,我々の空間-時間予測モデルは高速実行で効率的であり,60\%以上の予測精度に有効であり,静的グラフベースラインで構築された予測モデルと比較して予測性能が50\%向上することが示された。
関連論文リスト
- ORBITAAL: A Temporal Graph Dataset of Bitcoin Entity-Entity Transactions [0.0]
ORBITAALは、時間グラフ形式に基づく最初の包括的なデータセットである。
このデータセットは2009年1月から2021年1月までの全Bitcoin取引をカバーしている。
このデータセットは、グローバルなBTCバランスや関連するパブリックアドレスなどのエンティティの詳細も提供する。
論文 参考訳（メタデータ） (2024-08-26T09:48:45Z) - A Data-driven Deep Learning Approach for Bitcoin Price Forecasting [10.120972108960425]
本稿では,bitcoinの閉口価格を日単位の時間枠で予測するために,浅い双方向LSTM(Bidirectional-LSTM)モデルを提案する。
本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-10-27T10:35:47Z) - The Spatiotemporal Scaling Laws of Bitcoin Transactions [0.4779196219827508]
私たちはBitcoin特有のユニークなパターンを研究します。
我々はBitcoin取引の時間的スケーリング法則を実証的に特徴付けている。
我々は、Bitcoinの観測時間パターンを効果的に近似するマルコフモデルを導入する。
論文 参考訳（メタデータ） (2023-09-21T08:34:47Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳（メタデータ） (2023-06-16T02:41:31Z) - Chainlet Orbits: Topological Address Embedding for the Bitcoin
Blockchain [15.099255988459602]
匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。
トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。
当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
論文 参考訳（メタデータ） (2023-05-18T21:16:59Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳（メタデータ） (2021-11-26T11:58:51Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - A Blockchain Transaction Graph based Machine Learning Method for Bitcoin
Price Prediction [8.575998118995216]
既存のbitcoinの予測は、主に簡単な機能エンジニアリングに当てはまる。
異なる範囲のパターンを明らかにするために,kオーダーのトランザクショングラフを提案する。
特徴を受け入れて価格予測を行う新しい予測手法を提案し, 異なる歴史時代の特定のパターンを生かした価格予測手法を提案する。
論文 参考訳（メタデータ） (2020-08-21T20:08:17Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。