論文の概要: Graph Regularized Nonnegative Latent Factor Analysis Model for Temporal
Link Prediction in Cryptocurrency Transaction Networks
- arxiv url: http://arxiv.org/abs/2208.01923v1
- Date: Wed, 3 Aug 2022 08:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:17:45.553502
- Title: Graph Regularized Nonnegative Latent Factor Analysis Model for Temporal
Link Prediction in Cryptocurrency Transaction Networks
- Title(参考訳): 暗号トランザクションネットワークにおける時間リンク予測のためのグラフ正規化非負遅延因子モデル
- Authors: Zhou Yue, Liu ZhiGang, Yuan Ye
- Abstract要約: ネットワークのリンク予測学習構造は,ネットワークのメカニズムを理解する上で有用である。
本稿では,1つの潜在因子依存型,非負性,乗算型,グラフ正規化型更新(SLF-NMGRU)アルゴリズムを提案する。
実際の暗号通貨取引ネットワークの実験により,提案手法は精度と計算効率の両方を向上することを示した。
- 参考スコア(独自算出の注目度): 1.6801544027052142
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the development of blockchain technology, the cryptocurrency based on
blockchain technology is becoming more and more popular. This gave birth to a
huge cryptocurrency transaction network has received widespread attention. Link
prediction learning structure of network is helpful to understand the mechanism
of network, so it is also widely studied in cryptocurrency network. However,
the dynamics of cryptocurrency transaction networks have been neglected in the
past researches. We use graph regularized method to link past transaction
records with future transactions. Based on this, we propose a single latent
factor-dependent, non-negative, multiplicative and graph
regularized-incorporated update (SLF-NMGRU) algorithm and further propose graph
regularized nonnegative latent factor analysis (GrNLFA) model. Finally,
experiments on a real cryptocurrency transaction network show that the proposed
method improves both the accuracy and the computational efficiency
- Abstract(参考訳): ブロックチェーン技術の発展に伴い、ブロックチェーン技術に基づく暗号通貨はますます人気が高まっている。
これにより、巨大な暗号通貨取引ネットワークが誕生した。
ネットワークのリンク予測学習構造はネットワークのメカニズムを理解するのに役立ち、暗号通貨ネットワークでも広く研究されている。
しかし、暗号通貨取引ネットワークのダイナミクスは過去研究で無視されてきた。
我々は、グラフ正規化手法を用いて過去のトランザクションレコードと将来のトランザクションをリンクする。
そこで本研究では,1つの潜在因子依存,非負,乗算,グラフ正規化更新(slf-nmgru)アルゴリズムを提案し,さらにグラフ正規化非負的潜在因子分析(grnlfa)モデルを提案する。
最後に、実際の暗号通貨取引ネットワークの実験により、提案手法が精度と計算効率の両方を改善することを示す。
関連論文リスト
- Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - Analysis of Information Propagation in Ethereum Network Using Combined
Graph Attention Network and Reinforcement Learning to Optimize Network
Efficiency and Scalability [2.795656498870966]
ネットワーク効率とスケーラビリティを最適化するグラフ注意ネットワーク(GAT)と強化学習(RL)モデルを開発した。
実験評価では,大規模データセットを用いたモデルの性能解析を行った。
その結果,設計したGAT-RLモデルは,他のGCNモデルと比較して性能的に優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-02T17:19:45Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - Motif-aware temporal GCN for fraud detection in signed cryptocurrency
trust networks [8.82136716762572]
グラフ畳み込みネットワーク(GCN)はグラフとして表現可能なデータ処理に使用される。
本研究では,暗号ネットワークの進化的性質を考察し,局所構造とバランス理論を用いてトレーニングプロセスの導出を行う。
bitcoin-alphaとbitcoin-otcデータセットの実験的結果は、提案されたモデルが文献上のモデルより優れていることを示している。
論文 参考訳(メタデータ) (2022-11-22T02:03:27Z) - Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics [5.617291981476445]
本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。
これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
論文 参考訳(メタデータ) (2022-06-07T16:22:55Z) - Wide and Deep Graph Neural Network with Distributed Online Learning [174.8221510182559]
グラフニューラルネットワーク(GNN)は、ネットワークデータから表現を学習するための、自然に分散したアーキテクチャである。
オンライン学習は、この問題を克服するためにテスト時にGNNを再トレーニングするために利用することができる。
本稿では,分散オンライン学習機構で更新可能な新しいアーキテクチャであるWide and Deep GNN(WD-GNN)を開発する。
論文 参考訳(メタデータ) (2021-07-19T23:56:48Z) - TSGN: Transaction Subgraph Networks for Identifying Ethereum Phishing
Accounts [2.3112192919085826]
トランザクションサブグラフネットワーク(TSGN)ベースの分類モデルにより、フィッシングアカウントを識別する。
TSGNは、フィッシングアカウントの識別に役立つより多くの潜在的な情報を提供することができます。
論文 参考訳(メタデータ) (2021-04-18T08:12:51Z) - 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) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z) - Wide and Deep Graph Neural Networks with Distributed Online Learning [175.96910854433574]
グラフニューラルネットワーク(GNN)は、自然に分散したアーキテクチャでネットワークデータから表現を学習する。
オンライン学習は、テスト時にGNNを再トレーニングするために使用することができ、この問題を克服することができる。
本稿では,分散オンライン学習機構で容易に更新できる新しいアーキテクチャであるWide and Deep GNN(WD-GNN)を提案する。
論文 参考訳(メタデータ) (2020-06-11T12:48:03Z)
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。