論文の概要: Benchmarking GNNs Using Lightning Network Data
- arxiv url: http://arxiv.org/abs/2407.07916v1
- Date: Fri, 5 Jul 2024 20:35:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 21:58:43.562332
- Title: Benchmarking GNNs Using Lightning Network Data
- Title(参考訳): 雷ネットワークデータを用いたGNNのベンチマーク
- Authors: Rainer Feichtinger, Florian Grötschla, Lioba Heimbach, Roger Wattenhofer,
- Abstract要約: Bitcoin Lightning Networkは、高速で安価なBitcoinトランザクションを容易にするために設計されたレイヤ2プロトコルである。
我々は、Lightning Networkのグラフ構造を分析し、機械学習を用いてノード特性間の統計的関係について検討する。
- 参考スコア(独自算出の注目度): 20.204489886284534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Bitcoin Lightning Network is a layer 2 protocol designed to facilitate fast and inexpensive Bitcoin transactions. It operates by establishing channels between users, where Bitcoin is locked and transactions are conducted off-chain until the channels are closed, with only the initial and final transactions recorded on the blockchain. Routing transactions through intermediary nodes is crucial for users without direct channels, allowing these routing nodes to collect fees for their services. Nodes announce their channels to the network, forming a graph with channels as edges. In this paper, we analyze the graph structure of the Lightning Network and investigate the statistical relationships between node properties using machine learning, particularly Graph Neural Networks (GNNs). We formulate a series of tasks to explore these relationships and provide benchmarks for GNN architectures, demonstrating how topological and neighbor information enhances performance. Our evaluation of several models reveals the effectiveness of GNNs in these tasks and highlights the insights gained from their application.
- Abstract(参考訳): Bitcoin Lightning Networkは、高速で安価なBitcoinトランザクションを容易にするために設計されたレイヤ2プロトコルである。
ユーザは、Bitcoinがロックされ、チャネルがクローズされるまでトランザクションをオフチェーンで実行し、最初のトランザクションと最後のトランザクションのみをブロックチェーンに記録する。
中間ノード経由のトランザクションのルーティングは、直接チャネルを持たないユーザにとって重要であり、これらのルーティングノードは、サービスの料金を徴収することができる。
ノードはチャネルをネットワークに発表し、チャネルをエッジとしてグラフを形成する。
本稿では、Lightning Networkのグラフ構造を分析し、機械学習、特にグラフニューラルネットワーク(GNN)を用いたノード特性間の統計的関係について検討する。
我々は、これらの関係を探索し、GNNアーキテクチャのベンチマークを提供するために一連のタスクを定式化し、トポロジカルな情報と近隣の情報によってパフォーマンスが向上することを示す。
本稿では,これらのタスクにおけるGNNの有効性を明らかにするとともに,アプリケーションから得られる知見を明らかにする。
関連論文リスト
- Review of blockchain application with Graph Neural Networks, Graph Convolutional Networks and Convolutional Neural Networks [0.0]
本稿では、ブロックチェーン技術におけるグラフニューラルネットワーク(GNN)、グラフ畳み込みニューラルネットワーク(GCN)、および畳み込みニューラルネットワーク(CNN)の適用についてレビューする。
論文 参考訳(メタデータ) (2024-10-01T17:11:22Z) - DAG-Sword: A Simulator of Large-Scale Network Topologies for DAG-Oriented Proof-of-Work Blockchains [2.0124254762298794]
本稿では,DAGに基づくコンセンサスプロトコルに着目し,離散イベントシミュレータを提案する。
我々のシミュレーターは、Bitcoinネットワークのデータから生成された現実的なブロックチェーンネットワークをシミュレートすることができる。
7000ノードの大規模ネットワーク上で得られた結果により,10ノードの小規模ネットワークを含む関連作業の結果を拡張した。
論文 参考訳(メタデータ) (2023-11-08T12:31:11Z) - Analysis of Information Propagation in Ethereum Network Using Combined
Graph Attention Network and Reinforcement Learning to Optimize Network
Efficiency and Scalability [2.795656498870966]
ネットワーク効率とスケーラビリティを最適化するグラフ注意ネットワーク(GAT)と強化学習(RL)モデルを開発した。
実験評価では,大規模データセットを用いたモデルの性能解析を行った。
その結果,設計したGAT-RLモデルは,他のGCNモデルと比較して性能的に優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-02T17:19:45Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-09-12T09:18:12Z) - Chainlet Orbits: Topological Address Embedding for the Bitcoin
Blockchain [15.099255988459602]
匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。
トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。
当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
論文 参考訳(メタデータ) (2023-05-18T21:16:59Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳(メタデータ) (2021-12-13T17:35:54Z) - TSGN: Transaction Subgraph Networks for Identifying Ethereum Phishing
Accounts [2.3112192919085826]
トランザクションサブグラフネットワーク(TSGN)ベースの分類モデルにより、フィッシングアカウントを識別する。
TSGNは、フィッシングアカウントの識別に役立つより多くの潜在的な情報を提供することができます。
論文 参考訳(メタデータ) (2021-04-18T08:12:51Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-01-25T18:59:01Z) - Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。
これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文 参考訳(メタデータ) (2020-08-04T18:57:36Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳(メタデータ) (2020-02-10T06:43:38Z)
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。