論文の概要: Uniswap Daily Transaction Indices by Network
- arxiv url: http://arxiv.org/abs/2312.02660v1
- Date: Tue, 5 Dec 2023 10:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 17:35:59.673743
- Title: Uniswap Daily Transaction Indices by Network
- Title(参考訳): ネットワークによる日毎取引指数のユニスワップ化
- Authors: Nir Chemaya, Lin William Cong, Emma Jorgensen, Dingyue Liu, Luyao
Zhang
- Abstract要約: DeFiは仲介者を排除して金融サービスを変革している。
本研究は、Unixwapからの5000万件以上の取引を調査した。
当社のデータセットは、Polygonのようなネットワーク間のL1とL2のトランザクションを特徴としています。
- 参考スコア(独自算出の注目度): 1.9624273277521183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: DeFi is transforming financial services by removing intermediaries and
producing a wealth of open-source data. This transformation is propelled by
Layer 2 (L2) solutions, aimed at boosting network efficiency and scalability
beyond current Layer 1 (L1) capabilities. This study addresses the lack of
detailed L2 impact analysis by examining over 50 million transactions from
Uniswap. Our dataset, featuring transactions from L1 and L2 across networks
like Ethereum and Polygon, provides daily indices revealing adoption,
scalability, and decentralization within the DeFi space. These indices help to
elucidate the complex relationship between DeFi and L2 technologies, advancing
our understanding of the ecosystem. The dataset is enhanced by an open-source
Python framework for computing decentralization indices, adaptable for various
research needs. This positions the dataset as a vital resource for machine
learning endeavors, particularly deep learning, contributing significantly to
the development of Blockchain as Web3's infrastructure.
- Abstract(参考訳): DeFiは、仲介者を排除し、豊富なオープンソースデータを生成することで、金融サービスを変革している。
この変換はLayer 2 (L2) ソリューションによって推進され、現在のLayer 1 (L1) 機能を超えてネットワーク効率とスケーラビリティを高めることを目的としている。
本研究は,Uniswapからの5000万件以上のトランザクションを調べることで,詳細なL2影響分析の欠如に対処する。
ethereumやpolygonといったネットワーク間のl1とl2のトランザクションを特徴とする当社のデータセットは、デフィスペースにおける採用、スケーラビリティ、分散化の指標を日々公開しています。
これらの指標は、DeFiとL2技術の間の複雑な関係を解明し、エコシステムの理解を深めるのに役立ちます。
データセットは、分散インデックスを計算するためのオープンソースのpythonフレームワークによって強化され、様々な研究ニーズに対応できる。
これによりデータセットは、マシンラーニング、特にディープラーニングのための重要なリソースとなり、web3のインフラストラクチャとしてブロックチェーンの開発に大きく貢献する。
関連論文リスト
- Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。
Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。
Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。
SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文 参考訳(メタデータ) (2024-05-01T14:59:24Z) - Device Sampling and Resource Optimization for Federated Learning in
Cooperative Edge Networks [18.922600578474345]
フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。
FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。
デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
論文 参考訳(メタデータ) (2023-11-07T21:17:59Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - Towards Cooperative Federated Learning over Heterogeneous Edge/Fog
Networks [49.19502459827366]
フェデレートラーニング(FL)は、エッジ/フォグネットワーク上で機械学習(ML)モデルをトレーニングするための一般的なテクニックとして推奨されている。
FLの従来の実装は、ネットワーク間協力の可能性を大きく無視してきた。
我々は,デバイス・ツー・デバイス(D2D)とデバイス・ツー・サーバ(D2S)インタラクションに基づいて構築された協調的エッジ/フォグMLパラダイムである協調的連合学習(CFL)を提唱する。
論文 参考訳(メタデータ) (2023-03-15T04:41:36Z) - Does Decentralized Learning with Non-IID Unlabeled Data Benefit from
Self Supervision? [51.00034621304361]
自己教師型学習(SSL)のレンズによるラベルなしデータによる分散学習の研究
本研究では,分散学習環境下でのコントラスト学習アルゴリズムの有効性について検討する。
論文 参考訳(メタデータ) (2022-10-20T01:32:41Z) - Label driven Knowledge Distillation for Federated Learning with non-IID
Data [35.682428476518176]
フルスタックFL(F2L)という新しいフェデレーション学習フレームワークを設計する。
本稿では,グローバルサーバにおけるラベル駆動型知識蒸留(LKD)手法を提案する。
提案アルゴリズムは,地域データ分布の知識を効果的に抽出することができる。
論文 参考訳(メタデータ) (2022-09-29T02:49:13Z) - Enhanced Decentralized Federated Learning based on Consensus in
Connected Vehicles [14.80476265018825]
分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
論文 参考訳(メタデータ) (2022-09-22T01:21:23Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2021-02-09T11:27:14Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳(メタデータ) (2020-10-06T16:51:09Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。