論文の概要: Predicting Non-Fungible Token (NFT) Collections: A Contextual Generative
Approach
- arxiv url: http://arxiv.org/abs/2210.15493v1
- Date: Fri, 14 Oct 2022 12:50:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 12:11:38.739585
- Title: Predicting Non-Fungible Token (NFT) Collections: A Contextual Generative
Approach
- Title(参考訳): 非Fungible Token(NFT)コレクションの予測 : 文脈生成的アプローチ
- Authors: Wesley Joon-Wie Tann, Akhil Vuputuri, Ee-Chien Chang
- Abstract要約: 非偽造トークン(非偽造トークン、英: Non-fungible tokens、NFT)は、アートや集合体などの現実世界のオブジェクトを表すブロックチェーン上に格納されるデジタル資産である。
本稿では,NFTコレクションの様々な特徴を学習する文脈生成手法を提案する。
新たな鋳造品の潜在的な市場価値予測を生成する。
- 参考スコア(独自算出の注目度): 8.246077490514848
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Non-fungible tokens (NFTs) are digital assets stored on a blockchain
representing real-world objects such as art or collectibles. It is a
multibillion-dollar market, where the number of NFT collections increased over
100% in 2022; there are currently more than 80K collections on the Ethereum
blockchain. Each collection, containing numerous tokens of a particular theme,
has its unique characteristics. In this paper, we take a contextual generative
approach that learns these diverse characteristics of NFT collections and
generates the potential market value predictions of newly minted ones. We model
NFTs as a series of transactions. First, meaningful contexts capturing the
characteristics of various collections are derived using unsupervised learning.
Next, our generative approach leverages these contexts to learn better
characterizations of established NFT collections with differing market
capitalization values. Finally, given a new collection in an early stage, the
approach generates future transaction series for this emerging collection.
Comprehensive experiments demonstrate that our approach closely predicts the
potential value of NFT collections.
- Abstract(参考訳): 非フランジブルトークン(non-fungible tokens, nfts)は、アートやコレクションなどの現実世界のオブジェクトを表すブロックチェーンに格納されたデジタル資産である。
数十億ドル規模の市場であり、2022年にはNTTコレクションの数が100%増加した。
各コレクションは、特定のテーマの多くのトークンを含んでおり、独特の特徴を持っている。
本稿では,NFTコレクションのこれらの多様な特徴を学習し,新たに作成したコレクションの潜在的な市場価値予測を生成するコンテキスト生成手法を提案する。
NFTを一連のトランザクションとしてモデル化します。
まず、教師なし学習を用いて、様々なコレクションの特徴を捉える意味のある文脈を導出する。
次に、これらの文脈を利用して、市場資本化の異なる確立されたNFTコレクションのキャラクタリゼーションを改善する。
最後に、新しいコレクションが初期段階にある場合、このアプローチは、この新興コレクションの将来のトランザクションシリーズを生成する。
包括的実験により,本手法はNFTコレクションの潜在的価値を密接に予測することを示した。
関連論文リスト
- JPAVE: A Generation and Classification-based Model for Joint Product
Attribute Prediction and Value Extraction [59.94977231327573]
JPAVEと呼ばれる値生成/分類と属性予測を備えたマルチタスク学習モデルを提案する。
我々のモデルの2つの変種は、オープンワールドとクローズドワールドのシナリオのために設計されている。
公開データセットにおける実験結果は,強いベースラインと比較して,我々のモデルが優れていることを示す。
論文 参考訳(メタデータ) (2023-11-07T18:36:16Z) - What Determines the Price of NFTs? [26.368626684043992]
我々は,OpenSea上のNFTコレクションのオンチェーンデータとオフチェーンデータの両方を分析し,NFT価格にどのような影響があるのかを理解する。
以上の結果から,NFTのテキストデータや画像データはコレクション内の価格変動を説明するのに有用であるが,抽出された特徴は新たな未知のコレクションに一般化されないことがわかった。
論文 参考訳(メタデータ) (2023-10-03T06:09:59Z) - Show me your NFT and I tell you how it will perform: Multimodal
representation learning for NFT selling price prediction [2.578242050187029]
非Fungible Tokens(NFT)は、ブロックチェーン技術とスマートコントラクトに基づく、デジタルアートフォーム(アートワークやコレクションブルなど)上のユニークな暗号資産の所有権の行為を表す。
我々は,NFT画像とテキストのコレクション上に,グラフニューラルネットワークモデルとともにトランスフォーマーベースの言語と視覚モデルをトレーニングするために設計された,新しいマルチモーダルディープラーニングフレームワークであるMERLINを提案する。
MERLINの重要な側面は、NFTトレーディングに関心のあるユーザが処理したいプライマリデータのみを利用するため、金融機能に対する独立性である。
論文 参考訳(メタデータ) (2023-02-03T11:56:38Z) - Scaling Laws for Generative Mixed-Modal Language Models [103.25737824352949]
個別のモダリティの貢献とそれら間の相互作用を統一する混合モードスケーリング法則について報告する。
具体的には、過去のユニモーダルスケーリング法則に対する加算項として、データとモデルサイズによる最適シナジーと競合を明示的にモデル化する。
また,訓練中に観察される4つの経験的現象,例えば,自然にモダリティを交互に交互に行う創発的コーディネート・アセット・スタイル・トレーニングを見出した。
論文 参考訳(メタデータ) (2023-01-10T00:20:06Z) - Bubble or Not: Measurements, Analyses, and Findings on the Ethereum
ERC721 and ERC1155 Non-fungible Token Ecosystem [22.010657813215413]
NFTの時価総額は2021年に215億米ドルに達した。
2022年第2四半期のNFT市場の急激な下落は、NFT市場の目に見えるブームに疑問を呈している。
ブロックチェーン全体からデータを収集することにより、NFT生成グラフ、NFT転送グラフ、NFTホールドグラフという3つのグラフを構築し、NFTトレーダーを特徴付ける。
我々は,NFTの活性度と値の定量化のための新しい指標を提案し,インジケータとグラフ解析を組み合わせてバブルNFTを見つけるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-01-05T10:17:57Z) - Digital Asset Valuation: A Study on Domain Names, Email Addresses, and
NFTs [4.16271611433618]
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。
論文 参考訳(メタデータ) (2022-10-06T12:59:06Z) - Probably Something: A Multi-Layer Taxonomy of Non-Fungible Tokens [62.997667081978825]
非Fungible Tokens(NFT)は、メタバースの重要なビルディングブロックとして売り出されつつある。
本研究の目的は,分類学における共通の特徴を同定し,構造化することで,NFTの基本的かつ包括的理解を確立することである。
論文 参考訳(メタデータ) (2022-08-29T18:00:30Z) - Benchmarking Compositionality with Formal Languages [64.09083307778951]
我々は,NLPにおける大規模ニューラルモデルが,データから学習しながら,原始概念をより大規模な新しい組み合わせに組み込むことができるかどうかを検討する。
多くのトランスデューサをランダムにサンプリングすることにより、ニューラルネットワークによる合成関係の学習性に寄与する特性を探索する。
モデルは完全に関係を学習するか全く学習しないかが分かる。鍵となるのはトランジッションカバレッジであり、トランジッション毎に400の例でソフトな学習可能性制限を設定する。
論文 参考訳(メタデータ) (2022-08-17T10:03:18Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳(メタデータ) (2022-01-16T12:38:45Z) - Mapping the NFT revolution: market trends, trade networks and visual
features [0.25861007846258416]
Non Fungible Tokens (NFT) は、アート、コレクション、ゲーム内アイテムなどのオブジェクトを表すデジタル資産である。
我々は2017年6月23日から2021年4月27日までの470万NFTの6100万取引に関するデータを分析した。
論文 参考訳(メタデータ) (2021-06-01T17:25:32Z) - Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。
我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。
SINEは最先端の手法よりも大幅に改善できる。
論文 参考訳(メタデータ) (2021-02-18T11:03:48Z)
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。