論文の概要: Digital Asset Valuation: A Study on Domain Names, Email Addresses, and
NFTs
- arxiv url: http://arxiv.org/abs/2210.10637v1
- Date: Thu, 6 Oct 2022 12:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 12:17:17.083904
- Title: Digital Asset Valuation: A Study on Domain Names, Email Addresses, and
NFTs
- Title(参考訳): デジタルアセット評価:ドメイン名、メールアドレス、NFTに関する研究
- Authors: Kai Sun
- Abstract要約: DASHは、古典的なものからブロックチェーンベースのものまで、複数のデジタルアセットクラスを特徴とする、最初のデジタルアセット販売履歴データセットである。
DASHのベースラインとして,従来の機能ベースの強力なモデルを構築します。
これまでの文献では研究されていない微調整事前学習言語モデルに基づく深層学習モデルについて検討する。
- 参考スコア(独自算出の注目度): 4.16271611433618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing works on valuing digital assets on the Internet typically focus on a
single asset class. To promote the development of automated valuation
techniques, preferably those that are generally applicable to multiple asset
classes, we construct DASH, the first Digital Asset Sales History dataset that
features multiple digital asset classes spanning from classical to
blockchain-based ones. Consisting of 280K transactions of domain names
(DASH_DN), email addresses (DASH_EA), and non-fungible token (NFT)-based
identifiers (DASH_NFT), such as Ethereum Name Service names, DASH advances the
field in several aspects: the subsets DASH_DN, DASH_EA, and DASH_NFT are the
largest freely accessible domain name transaction dataset, the only publicly
available email address transaction dataset, and the first NFT transaction
dataset that focuses on identifiers, respectively.
We build strong conventional feature-based models as the baselines for DASH.
We next explore deep learning models based on fine-tuning pre-trained language
models, which have not yet been explored for digital asset valuation in the
previous literature. We find that the vanilla fine-tuned model already performs
reasonably well, outperforming all but the best-performing baselines. We
further propose improvements to make the model more aware of the time
sensitivity of transactions and the popularity of assets. Experimental results
show that our improved model consistently outperforms all the other models
across all asset classes on DASH.
- Abstract(参考訳): 既存のインターネット上のデジタル資産の評価作業は、通常は単一の資産クラスに焦点を当てている。
自動評価技術,好ましくは複数のアセットクラスに適用可能なものの開発を促進するために,古典的からブロックチェーンベースの複数のデジタルアセットクラスを対象とする,最初のデジタルアセット販売履歴データセットであるDASHを構築した。
ドメイン名の280Kトランザクション(DASH_DN)、メールアドレス(DASH_EA)、およびEthereum Name Service Name(DASH_NFT)のような非偽造トークン(DASH_NFT)ベースの識別子(DASH_NFT)で構成され、サブセットのDASH_DN、DASH_EA、DASH_NFTはそれぞれ識別子にフォーカスする最初のNFTトランザクションデータセットである。
DASHのベースラインとして,従来の機能ベースの強力なモデルを構築します。
次に,事前学習された言語モデルに基づく深層学習モデルについて検討する。
バニラの微調整モデルはすでに十分な性能を発揮しており、最高の性能のベースライン以外を上回ります。
さらに、モデルがトランザクションの時間的感度と資産の人気をより認識できるようにするための改善も提案する。
実験の結果,改善されたモデルはDASH上のすべてのアセットクラスにおいて,他のモデルよりも一貫して優れていた。
関連論文リスト
- Query of CC: Unearthing Large Scale Domain-Specific Knowledge from
Public Corpora [104.16648246740543]
大規模言語モデルに基づく効率的なデータ収集手法を提案する。
この方法は、大きな言語モデルを通してシード情報をブートストラップし、公開コーパスから関連データを検索する。
特定のドメインに関する知識関連のデータを収集するだけでなく、潜在的な推論手順でデータを抽出する。
論文 参考訳(メタデータ) (2024-01-26T03:38:23Z) - Towards a Foundation Purchasing Model: Pretrained Generative
Autoregression on Transaction Sequences [0.0]
本稿では,金融取引の文脈的埋め込みを得るための生成事前学習手法を提案する。
さらに,510億の取引を含む180の発行銀行のデータコーパスを用いて,埋め込みモデルの大規模事前学習を行う。
論文 参考訳(メタデータ) (2024-01-03T09:32:48Z) - TMT-VIS: Taxonomy-aware Multi-dataset Joint Training for Video Instance
Segmentation [51.199543962233506]
大規模データセットのトレーニングは、ビデオインスタンスセグメンテーションのパフォーマンスを高めることができるが、VISのデータセットは労働コストが高いためスケールアップが難しい。
私たちが持っているものは、多数の独立した提出された特定のデータセットであり、データ量と多様性を高めるためにデータセットの集合をまたいだモデルを共同でトレーニングすることが魅力です。
我々は、YouTube-VIS 2019、YouTube-VIS 2021、OVIS、UVOの4つの人気で挑戦的なベンチマークで、広範囲に評価を行っている。
本モデルでは,ベースラインソリューションよりも大幅に改善され,すべてのベンチマークで新たな最先端レコードが設定される。
論文 参考訳(メタデータ) (2023-12-11T18:50:09Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Towards a learning-based performance modeling for accelerating Deep
Neural Networks [1.1549572298362785]
我々は、畳み込みニューラルネットワーク(CNN)を最適化するために、機械学習技術に基づく予測モデルの調査を開始する。
MidgardベースのARM Mali GPUの予備実験では、我々の予測モデルはライブラリが手作業で選択したすべての畳み込み演算子よりも優れていた。
論文 参考訳(メタデータ) (2022-12-09T18:28:07Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳(メタデータ) (2022-05-08T08:19:40Z) - Named Entity Normalization Model Using Edge Weight Updating Neural
Network: Assimilation Between Knowledge-Driven Graph and Data-Driven Graph [7.873525968415584]
We build the named entity normalization model with a novel Edge Weight Updating Neural Network。
提案したモデルでは,4つの異なるデータセットでテストした結果が得られた。
論文 参考訳(メタデータ) (2021-06-14T16:14:58Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - MELINDA: A Multimodal Dataset for Biomedical Experiment Method
Classification [14.820951153262685]
マルチモーダルbiomEdicaL experImeNtmethoD clAssificationのための新しいデータセット、MELINDAを紹介します。
データセットは、完全に自動化された遠隔監視方法で収集され、ラベルは既存のキュレーションデータベースから取得されます。
キャプションテキストまたは画像のみを入力として取得するユニモダルモデルを含む、さまざまな最先端のNLPおよびコンピュータビジョンモデルをベンチマークします。
論文 参考訳(メタデータ) (2020-12-16T19:11:36Z) - Zero-Resource Cross-Domain Named Entity Recognition [68.83177074227598]
既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。
外部リソースを一切使用しないドメイン間NERモデルを提案する。
論文 参考訳(メタデータ) (2020-02-14T09:04:18Z)
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。