論文の概要: Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2305.08105v1
• Date: Sun, 14 May 2023 08:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-05-16 17:35:58.673331
• Title: Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods
• Title（参考訳）: ブロックチェーントランザクション料金予測:機械学習手法の比較
• Authors: Conall Butler and Martin Crane
• Abstract要約: 本稿は,EthUSD BitUSDとガス価格の関連性について,2019年以前の作業状況について報告する。 予測には, 直接再帰型ハイブリッドLSTM, CNNLSTM, Attention LSTMなど, 機械学習手法の新たな組み合わせを比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gas is the transaction-fee metering system of the Ethereum network. Users of the network are required to select a gas price for submission with their transaction, creating a risk of overpaying or delayed/unprocessed transactions in this selection. In this work, we investigate data in the aftermath of the London Hard Fork and shed insight into the transaction dynamics of the net-work after this major fork. As such, this paper provides an update on work previous to 2019 on the link between EthUSD BitUSD and gas price. For forecasting, we compare a novel combination of machine learning methods such as Direct Recursive Hybrid LSTM, CNNLSTM, and Attention LSTM. These are combined with wavelet threshold denoising and matrix profile data processing toward the forecasting of block minimum gas price, on a 5-min timescale, over multiple lookaheads. As the first application of the matrix profile being applied to gas price data and forecasting we are aware of, this study demonstrates that matrix profile data can enhance attention-based models however, given the hardware constraints, hybrid models outperformed attention and CNNLSTM models. The wavelet coherence of inputs demonstrates correlation in multiple variables on a 1 day timescale, which is a deviation of base free from gas price. A Direct-Recursive Hybrid LSTM strategy outperforms other models. Hybrid models have favourable performance up to a 20 min lookahead with performance being comparable to attention models when forecasting 25/50-min ahead. Forecasts over a range of lookaheads allow users to make an informed decision on gas price selection and the optimal window to submit their transaction in without fear of their transaction being rejected. This, in turn, gives more detailed insight into gas price dynamics than existing recommenders, oracles and forecasting approaches, which provide simple heuristics or limited lookahead horizons.
• Abstract（参考訳）: GasはEthereumネットワークのトランザクションフィー計測システムである。 ネットワークのユーザは、取引を提出するためにガス価格を選択し、この選択において過払いまたは遅延/未処理の取引のリスクを生じさせる。 本研究では,ロンドン・ハードフォークの余波に関するデータを調査し,この大規模フォーク後のネットワークのトランザクションダイナミクスについて考察した。 そこで本稿では,EthUSD BitUSDとガス価格の関連について,2019年以前の作業状況について報告する。 予測には, 直接再帰型ハイブリッドLSTM, CNNLSTM, Attention LSTMなどの機械学習手法の新たな組み合わせを比較する。 これらはウェーブレットしきい値と行列プロファイルデータ処理を組み合わせ、ブロック最小のガス価格を5分間のタイムスケールで複数のルックアヘッドで予測する。 本研究は, 行列プロファイルがガス価格データや予測データに適用された最初の応用として, ハードウェアの制約, ハイブリッドモデルの性能, CNNLSTMモデルを考えると, 行列プロファイルデータが注目に基づくモデルを強化することを実証する。 入力のウェーブレットコヒーレンス(wavelet coherence)は、1日の時間スケールで複数の変数の相関を示す。 直接再帰型ハイブリッドLSTM戦略は他のモデルよりも優れている。 ハイブリッドモデルは20分間のルックアヘッドで、25/50分間の予測では注目モデルに匹敵するパフォーマンスである。 さまざまなルックヘッドでの予測によって、ユーザはガス価格選択に関するインフォームドな決定と、取引が拒否されることを恐れずに取引を提出する最適な窓口を選択できる。 これは、既存の推奨者やオラクルや予測アプローチよりも、ガス価格のダイナミクスに関するより詳細な洞察を与え、単純なヒューリスティックスや限られた外観の地平線を提供する。

関連論文リスト

• Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
  本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。 また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。 AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-01-29T09:16:05Z)
• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Improving Internet Traffic Matrix Prediction via Time Series Clustering [45.88028371034407]
  モデル学習に先立って,同種の時間パターンで群流を流す2つのクラスタリング手法,すなわちソースクラスタリングとヒストグラムクラスタリングを提案する。 既存のTM予測法と比較して,アビレンでは最大92%,G'EANTでは75%削減できる。 ルーティングのシナリオでは、クラスタ化された予測により、最大リンク利用率(MLU)のバイアスをそれぞれ18%と21%削減する。
  論文  参考訳（メタデータ） (2025-09-18T15:33:33Z)
• Bitcoin Price Forecasting Based on Hybrid Variational Mode Decomposition and Long Short Term Memory Network [0.0]
  本研究は,Bitcoinの価格予測のためのハイブリッドディープラーニングモデルを提案する。 使用されるモデルは変分モード分解(VMD)とLong Short-Term Memory(LSTM)ネットワークである。
  論文  参考訳（メタデータ） (2025-09-11T03:14:55Z)
• Hybrid Approach for Electricity Price Forecasting using AlexNet and LSTM [0.0]
  AlexNetアルゴリズムとLSTMアルゴリズムを組み合わせて、価格予測の精度の高い新しいモデルを導入する。 モデルは過去のデータに基づいて構築されており、需要、温度、日光、雨などの最も重要な要素が供給されている。 精度は97.08だったが, 96.64と96.63の精度で, 残りのRNNとANNよりも高い伴奏率を示した。
  論文  参考訳（メタデータ） (2025-06-30T04:06:24Z)
• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Carbon price fluctuation prediction using blockchain information A new hybrid machine learning approach [2.0387986050706326]
  本研究では,DILated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ニューラルネットワークアルゴリズムを統合する。 正規化としての標準罰として、L2正則化としてのリッジ回帰(RR)は、価格予測におけるL1正則化としてSCAD(Smoothly Clipped Absolute Deviation Penalty)よりも優れている。
  論文  参考訳（メタデータ） (2024-11-05T01:12:17Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
  隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。 SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。 また、現在の最先端のベースラインよりも少なくとも20%改善されている。
  論文  参考訳（メタデータ） (2023-12-02T03:55:37Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• TransNormerLLM: A Faster and Better Large Language Model with Improved TransNormer [34.790081960470964]
  最初の線形注意に基づくLarge Language Model(LLM)であるTransNormerLLMを提案する。 我々は, 位置埋め込み, 線形注意加速度, ゲーティング機構, テンソル正規化, 推論加速度, 安定化など, 高度な修正を行う。 自己収集コーパス上に385M, 1B, 7Bの大きさの列車モデルとアブリケーションを用いてモデル設計を検証する。
  論文  参考訳（メタデータ） (2023-07-27T16:45:33Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Transformers meet Stochastic Block Models: Attention with Data-Adaptive Sparsity and Cost [53.746169882193456]
  最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。 本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。 我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
  論文  参考訳（メタデータ） (2022-10-27T15:30:52Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters [2.3513645401551333]
  本稿では,カリフォルニア州サンタバーバラ郡のイチゴ収量と価格を予測するためのディープラーニングアルゴリズムに基づく代替手法を提案する。 提案する予測モデルの構築には3つの段階がある: まず, 複雑な深層学習成分を用いた局型アンサンブルモデル(ATT-CNN-LSTM-SeriesNet_Ens)。 第2に, リモートセンシングアンサンブルモデル (SIM_CNN-LSTM_Ens) を, 出力と同じ収量と価格にマッピングされた入力と同じ郡の衛星画像を用いて訓練し, テストする。 第三に、これらの2つのモデルの予測は最終的な予測値にまとめられる。
  論文  参考訳（メタデータ） (2021-02-17T20:54:34Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。