論文の概要: Live Graph Lab: Towards Open, Dynamic and Real Transaction Graphs with
NFT
- arxiv url: http://arxiv.org/abs/2310.11709v1
- Date: Wed, 18 Oct 2023 04:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 17:47:48.778247
- Title: Live Graph Lab: Towards Open, Dynamic and Real Transaction Graphs with
NFT
- Title（参考訳）: Live Graph Lab: NFTによるオープン、動的、リアルなトランザクショングラフを目指す
- Authors: Zhen Zhang, Bingqiao Luo, Shengliang Lu, Bingsheng He
- Abstract要約: 私たちは、ブロックチェーンからオープンで動的で実際のトランザクショングラフを可能にする、時間グラフのためのLive Graph Labというコンセプトを紹介します。
NFTトランザクションネットワークでライブグラフをインスタンス化し、そのダイナミクスを調べて、新しい観察と洞察を提供する。
- 参考スコア（独自算出の注目度）: 28.08921595650609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous studies have been conducted to investigate the properties of
large-scale temporal graphs. Despite the ubiquity of these graphs in real-world
scenarios, it's usually impractical for us to obtain the whole real-time graphs
due to privacy concerns and technical limitations. In this paper, we introduce
the concept of {\it Live Graph Lab} for temporal graphs, which enables open,
dynamic and real transaction graphs from blockchains. Among them, Non-fungible
tokens (NFTs) have become one of the most prominent parts of blockchain over
the past several years. With more than \$40 billion market capitalization, this
decentralized ecosystem produces massive, anonymous and real transaction
activities, which naturally forms a complicated transaction network. However,
there is limited understanding about the characteristics of this emerging NFT
ecosystem from a temporal graph analysis perspective. To mitigate this gap, we
instantiate a live graph with NFT transaction network and investigate its
dynamics to provide new observations and insights. Specifically, through
downloading and parsing the NFT transaction activities, we obtain a temporal
graph with more than 4.5 million nodes and 124 million edges. Then, a series of
measurements are presented to understand the properties of the NFT ecosystem.
Through comparisons with social, citation, and web networks, our analyses give
intriguing findings and point out potential directions for future exploration.
Finally, we also study machine learning models in this live graph to enrich the
current datasets and provide new opportunities for the graph community. The
source codes and dataset are available at https://livegraphlab.github.io.
- Abstract（参考訳）: 大規模時間グラフの性質について多くの研究がなされている。
これらのグラフが現実世界のシナリオで普及しているにもかかわらず、プライバシの懸念と技術的な制限のために、リアルタイムグラフ全体を取得するのは、通常非現実的です。
本稿では,ブロックチェーンからオープンで動的,かつ実際のトランザクショングラフを可能にする時間グラフのための"it live graph lab"の概念を紹介する。
その中でも、Non-fungible tokens(NFT)は、ここ数年でブロックチェーンの最も顕著な部分のひとつになっている。
400億ドル以上の市場資本を持つこの分散エコシステムは、巨大で匿名の実際の取引活動を生み出し、自然に複雑な取引ネットワークを形成する。
しかし、時間グラフ分析の観点からは、この新興nftエコシステムの特徴に関する理解は限られている。
このギャップを軽減するために、NFTトランザクションネットワークでライブグラフをインスタンス化し、そのダイナミクスを調査し、新しい観察と洞察を提供する。
具体的には、NFTトランザクションアクティビティのダウンロードと解析を通じて、450万以上のノードと1400万のエッジを持つ時間グラフを得る。
次に、NFT生態系の性質を理解するための一連の測定結果を示す。
ソーシャル, 引用, およびウェブネットワークとの比較を通じて, 分析によって興味深い結果が得られ, 今後の探索の可能性も指摘される。
最後に、このライブグラフで機械学習モデルを調べ、現在のデータセットを強化し、グラフコミュニティに新たな機会を提供する。
ソースコードとデータセットはhttps://livegraphlab.github.ioで入手できる。
関連論文リスト
- Towards Neural Scaling Laws for Foundation Models on Temporal Graphs [16.27236883013554]
我々は,85のERC20トークントランザクションネットワークからなる時間グラフの集合であるテンポラルグラフスケーリングデータセットを提案する。
時間グラフ特性予測タスクにおける時間グラフニューラルネットワーク(TGNN)の事前学習による伝達性の評価を行った。
NLPやComputer Visionで観測されるニューラルネットワークのスケーリング法則は、時間グラフ学習にも適用され、より多くのネットワークで事前学習することで、下流のパフォーマンスが向上する。
論文 参考訳（メタデータ） (2024-06-14T22:07:11Z) - LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。
LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
論文 参考訳（メタデータ） (2023-11-28T08:45:37Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Temporal and Heterogeneous Graph Neural Network for Financial Time
Series Prediction [14.056579711850578]
金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。
われわれは米国と中国における株式市場に関する広範な実験を行っている。
論文 参考訳（メタデータ） (2023-05-09T11:17:46Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Cryptocurrencies Activity as a Complex Network: Analysis of Transactions
Graphs [7.58432869763351]
我々は、複雑なネットワーク理論を通して、4つの顕著で異なる分散台帳技術(DLT)における相互作用のパターンを研究することによって、一定期間のデジタルトランザクションの流れを解析する。
DLTにおけるユーザインタラクションの理解のために,ネットワーク特性と特異性の研究が最重要であることを示す。
論文 参考訳（メタデータ） (2021-09-14T08:32:36Z) - Learning Graph Representations [0.0]
グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。
本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
論文 参考訳（メタデータ） (2021-02-03T12:07:55Z) - 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)
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。