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
- Maximal Extractable Value Mitigation Approaches in Ethereum and Layer-2 Chains: A Comprehensive Survey [1.2453219864236247]
MEVは、採掘者またはバリデーターが追加の値を抽出するためにトランザクションオーダを操作するときに発生する。
これは、予測不可能と潜在的損失を導入することによってユーザエクスペリエンスに影響を与えるだけでなく、分散化と信頼の根底にある原則を脅かす。
本稿では, プロトコルL1と各種L2ソリューションの両方に適用したMEV緩和技術に関する包括的調査を行う。
論文 参考訳（メタデータ） (2024-07-28T19:51:22Z) - Quantifying the Blockchain Trilemma: A Comparative Analysis of Algorand, Ethereum 2.0, and Beyond [4.605490094506685]
本研究は,2つの主要なPoS(Algorand and 2.0)システムを評価し,比較する。
我々は,各プラットフォームの戦略を構造化された方法で分析し,その効果をトリレンマ問題に対処する上で理解する。
論文 参考訳（メタデータ） (2024-07-19T14:15:29Z) - IT Strategic alignment in the decentralized finance (DeFi): CBDC and digital currencies [49.1574468325115]
分散型金融(DeFi)は、ディスラプティブベースの金融インフラである。
1) DeFiの一般的なIT要素は何か?
2) DeFi における IT 戦略の整合性には,どのような要素があるのでしょう?
論文 参考訳（メタデータ） (2024-05-17T10:19:20Z) - Machine Learning for Blockchain Data Analysis: Progress and Opportunities [9.07520594836878]
ブロックチェーンデータセットは、例えば、人間のユーザ、自律的なプログラム、スマートコントラクトなど、現実世界のエンティティ間でのインタラクションの複数のレイヤを含んでいる。
これらのユニークな特徴は、ブロックチェーンデータ上での機械学習の機会と課題の両方を示している。
本稿は、研究者、実践者、政策立案者のための総合的な資源として機能し、このダイナミックで変革的な分野をナビゲートするためのロードマップを提供する。
論文 参考訳（メタデータ） (2024-04-28T17:18:08Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - Centralised or Decentralised? Data Analysis of Transaction Network of Hedera Hashgraph [0.12289361708127873]
本研究は,Hedera Hashgraphの分散化の度合いを初めてデータ駆動分析することによって,現在の文献を拡大する。
その結果、リリーススケジュールや日々のアクティブアカウントの増加に比べて、リリースの供給量がかなり多くなっていることが分かる。
ヘデラ・ハシュグラフは富の高度集中と、ネットワークの他の部分の仲介役として機能する縮小コアを誇示している。
論文 参考訳（メタデータ） (2023-11-12T14:52:32Z) - Leveraging Machine Learning for Multichain DeFi Fraud Detection [5.213509776274283]
本稿では,最も大きなチェーンを含むさまざまなチェーンから特徴を抽出するフレームワークを提案し,広範囲なデータセットで評価する。
XGBoostやニューラルネットワークなど、さまざまな機械学習手法を使用して、DeFiと対話する不正アカウントの検出を識別した。
本稿では,新しいDeFi関連機能の導入により,評価結果が大幅に改善されることを実証する。
論文 参考訳（メタデータ） (2023-05-17T15:48:21Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳（メタデータ） (2023-04-25T22:17:31Z) - 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) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳（メタデータ） (2022-07-20T17:47:54Z) - 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)
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。