Fugu-MT 論文翻訳(概要): Predicting Non-Fungible Token (NFT) Collections: A Contextual Generative Approach

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

STORE: Streamlining Semantic Tokenization and Generative Recommendation with A Single LLM [59.08493154172207]
本稿では,意味的トークン化と生成的レコメンデーションプロセスを合理化する統合フレームワークを提案する。我々は,意味的トークン化をテキスト・ツー・ケントタスクとして定式化し,生成的推薦をトークン・ツー・ケントタスクとして,トークン・ツー・ケント・コンストラクションタスクとテキスト・ツー・ケント補助タスクで補足する。これらのタスクはすべて生成的な方法でフレーム化され、単一の大規模言語モデル(LLM)バックボーンを使用してトレーニングされる。
論文参考訳（メタデータ） (2024-09-11T13:49:48Z)
MINT-1T: Scaling Open-Source Multimodal Data by 10x: A Multimodal Dataset with One Trillion Tokens [113.9621845919304]
MINT-1Tは最も広く多様なオープンソースMultimodal INTerleavedデータセットです。 MINT-1Tは1兆個のテキストトークンと340億の画像で構成され、既存のオープンソースデータセットの10倍のスケールアップである。実験の結果,MINT-1TでトレーニングしたLMMは,以前の先行データセット OBELICS でトレーニングしたモデルの性能に匹敵することがわかった。
論文参考訳（メタデータ） (2024-06-17T07:21:36Z)
NFT1000: A Cross-Modal Dataset for Non-Fungible Token Retrieval [38.63307493935328]
我々は、756万の画像テキストペアを含む「NFT Top1000 Visual-Text」(NFT1000)というベンチマークデータセットを導入する。このデータセットと、CLIPシリーズの事前学習モデルを活用することにより、動的マスキング微調整方式を提案する。また、ビジュアルテキストペアデータの類似性と検索難度を評価するために、ロバストなメトリクス包括的変動指標(CVI)を提案する。
論文参考訳（メタデータ） (2024-01-29T03:30:15Z)
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)
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)
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。