論文の概要: Functional Classification of Bitcoin Addresses

• arxiv url: http://arxiv.org/abs/2202.12019v1
• Date: Thu, 24 Feb 2022 11:03:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 17:45:32.886461
• Title: Functional Classification of Bitcoin Addresses
• Title（参考訳）: bitcoinアドレスの機能的分類
• Authors: Manuel Febrero-Bande, Wenceslao Gonz\'alez-Manteiga, Brenda Prallon and Yuri F. Saporito
• Abstract要約: ビットコインのアドレスの分類は、ビットコイン市場の構成を理解すること、不正な活動に使用されるアカウントを特定することの2つの主な理由において、関連する問題である。 本稿では、そのバランスに基づいて、ビットコインアドレスのメインアクティビティを予測する分類モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a classification model for predicting the main activity of bitcoin addresses based on their balances. Since the balances are functions of time, we apply methods from functional data analysis; more specifically, the features of the proposed classification model are the functional principal components of the data. Classifying bitcoin addresses is a relevant problem for two main reasons: to understand the composition of the bitcoin market, and to identify accounts used for illicit activities. Although other bitcoin classifiers have been proposed, they focus primarily on network analysis rather than curve behavior. Our approach, on the other hand, does not require any network information for prediction. Furthermore, functional features have the advantage of being straightforward to build, unlike expert-built features. Results show improvement when combining functional features with scalar features, and similar accuracy for the models using those features separately, which points to the functional model being a good alternative when domain-specific knowledge is not available.
• Abstract（参考訳）: 本稿では、そのバランスに基づいて、ビットコインアドレスのメインアクティビティを予測する分類モデルを提案する。 バランスは時間の関数であるため、関数データ解析の手法を適用し、より具体的には、提案した分類モデルの特徴がデータの機能的主成分である。 bitcoinのアドレスを分類することは、bitcoin市場の構成を理解することと、不正行為に使用されるアカウントを特定するという2つの主な理由から関連する問題である。 他のbitcoin分類器も提案されているが、主に曲線行動ではなくネットワーク分析に焦点を当てている。 一方,本手法では予測にネットワーク情報を必要としない。 さらに、機能機能は、エキスパートが構築した機能とは異なり、簡単に構築できるという利点がある。 その結果、機能的特徴とスカラ機能を組み合わせた場合、これらの特徴を別々に使用するモデルの類似の精度が改善され、ドメイン固有の知識が得られない場合、機能的モデルは優れた代替手段となることが示される。

関連論文リスト

• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
  我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。 我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
  論文  参考訳（メタデータ） (2023-01-15T03:13:09Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
  典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。 それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。 提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
  論文  参考訳（メタデータ） (2021-06-08T20:20:36Z)
• Comparing interpretability and explainability for feature selection [0.6015898117103068]
  各種ブラックボックスおよび解釈可能な機械学習手法における特徴選択法としての可変重要度の性能について検討する。 その結果,XGBoost はネイティブ変数重要度法や SHAP によらず,関連する特徴と無関係な特徴を明確に区別することができないことがわかった。
  論文  参考訳（メタデータ） (2021-05-11T20:01:23Z)
• Counterfactual Explanations for Oblique Decision Trees: Exact, Efficient Algorithms [0.0]
  我々は、ソース入力インスタンスにおける特徴を最小に調整して、与えられた分類の下で対象クラスに分類する問題である、反事実的説明を考える。 これは、トレーニングされたモデルをクエリし、決定を覆す可能性のあるアクションを提案する手段として、最近の関心事となっている。
  論文  参考訳（メタデータ） (2021-03-01T16:04:33Z)
• Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
  決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。 重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
  論文  参考訳（メタデータ） (2020-10-02T08:11:51Z)
• Explaining Black Box Predictions and Unveiling Data Artifacts through Influence Functions [55.660255727031725]
  影響関数は、影響力のあるトレーニング例を特定することによって、モデルの判断を説明する。 本稿では,代表課題における影響関数と共通単語順応法の比較を行う。 我々は,学習データ中の成果物を明らかにすることができる影響関数に基づく新しい尺度を開発した。
  論文  参考訳（メタデータ） (2020-05-14T00:45:23Z)
• Active Learning for Coreference Resolution using Discrete Annotation [76.36423696634584]
  我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。 提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。 既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
  論文  参考訳（メタデータ） (2020-04-28T17:17:11Z)
• Explaining Explanations: Axiomatic Feature Interactions for Deep Networks [10.635248457021495]
  Integrated Hessianは、ニューラルネットワークにおける一対の特徴的相互作用を説明する統合グラディエントの拡張である。 特徴量が多い場合,提案手法は既存手法よりも高速であり,既存の定量的ベンチマークでは従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-10T23:49:00Z)
• Learning Class Regularized Features for Action Recognition [68.90994813947405]
  本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。 動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
  論文  参考訳（メタデータ） (2020-02-07T07:27:49Z)

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。