論文の概要: ORBITAAL: A Temporal Graph Dataset of Bitcoin Entity-Entity Transactions
- arxiv url: http://arxiv.org/abs/2408.14147v1
- Date: Mon, 26 Aug 2024 09:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 14:23:20.233068
- Title: ORBITAAL: A Temporal Graph Dataset of Bitcoin Entity-Entity Transactions
- Title（参考訳）: ORBITAAL:Bitcoinエンティティエンティティトランザクションの一時的なグラフデータセット
- Authors: Célestin Coquidé, Rémy Cazabet,
- Abstract要約: ORBITAALは、時間グラフ形式に基づく最初の包括的なデータセットである。
このデータセットは2009年1月から2021年1月までの全Bitcoin取引をカバーしている。
このデータセットは、グローバルなBTCバランスや関連するパブリックアドレスなどのエンティティの詳細も提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Research on Bitcoin (BTC) transactions is a matter of interest for both economic and network science fields. Although this cryptocurrency is based on a decentralized system, making transaction details freely accessible, making raw blockchain data analyzable is not straightforward due to the Bitcoin protocol specificity and data richness. To address the need for an accessible dataset, we present ORBITAAL, the first comprehensive dataset based on temporal graph formalism. The dataset covers all Bitcoin transactions from January 2009 to January 2021. ORBITAAL provides temporal graph representations of entity-entity transaction networks, snapshots and stream graph. Each transaction value is given in Bitcoin and US dollar regarding daily-based conversion rate. This dataset also provides details on entities such as their global BTC balance and associated public addresses.
- Abstract（参考訳）: Bitcoin(BTC)取引の研究は、経済とネットワークの両方の分野における関心事である。
この暗号通貨は分散型システムに基づいており、トランザクションの詳細を自由にアクセスできるようにする。
アクセス可能なデータセットの必要性に対処するため,時間グラフ形式に基づく最初の包括的データセットであるORBITAALを提案する。
このデータセットは2009年1月から2021年1月までの全Bitcoin取引をカバーしている。
ORBITAALは、エンティティ・エンティティ・トランザクションネットワーク、スナップショット、ストリームグラフの時間グラフ表現を提供する。
各取引価値は、日単位の転換レートに関するビットコインとUSドルで与えられる。
このデータセットは、グローバルなBTCバランスや関連するパブリックアドレスなどのエンティティの詳細も提供する。
関連論文リスト
- Bitcoin Research with a Transaction Graph Dataset [19.66391887460672]
本稿では,Bitcoinユーザ間の取引を表すトランザクショングラフとして,大規模なデータセットを提案する。
グラフには2億2200万のノードと7億8500万のエッジが含まれており、約13年間のトランザクションと6億7000万トランザクションのタイムスパンをカバーしている。
ノードラベルを予測するために、さまざまなグラフニューラルネットワークモデルをトレーニングし、将来の研究のベースラインを確立する。
論文 参考訳（メタデータ） (2024-11-15T16:28:03Z) - Federated Graph Learning with Graphless Clients [52.5629887481768]
FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。
グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
論文 参考訳（メタデータ） (2024-11-13T06:54:05Z) - 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) - The Spatiotemporal Scaling Laws of Bitcoin Transactions [0.4779196219827508]
私たちはBitcoin特有のユニークなパターンを研究します。
我々はBitcoin取引の時間的スケーリング法則を実証的に特徴付けている。
我々は、Bitcoinの観測時間パターンを効果的に近似するマルコフモデルを導入する。
論文 参考訳（メタデータ） (2023-09-21T08:34:47Z) - Temporal and Geographical Analysis of Real Economic Activities in the
Bitcoin Blockchain [0.7874708385247353]
我々は、Bitcoinブロックチェーンにおける実際の経済活動について調べる。
実際のトランザクションのほとんどは、ブロックチェーンに従って交換された合計値のごく一部を表す、Frequent Receiverが関与していることを示す。
また、毎週の行動パターン分析を行い、Bitcoinユーザーの地理的位置に関する洞察を提供しています。
論文 参考訳（メタデータ） (2023-07-17T16:30:56Z) - Demystifying Bitcoin Address Behavior via Graph Neural Networks [20.002509270755443]
BAClassifierは、行動に基づいて自動的にbitcoinアドレスを分類するツールである。
私たちは200万以上の現実世界のbitcoinアドレスからなる大規模な注釈付きデータセットを構築し、リリースします。
論文 参考訳（メタデータ） (2022-11-26T14:55:50Z) - BABD: A Bitcoin Address Behavior Dataset for Address Behavior Pattern
Analysis [36.42552617883664]
私たちは、2019年7月12日から2021年5月26日までにBitcoin取引からなるデータセットを構築しました。
このデータセットには、13種類のBitcoinアドレス、148の機能を提供する5つのカテゴリ、ラベル付きデータ544,462が含まれている。
提案したデータセットは、k-nearest neighborsアルゴリズム、決定木、ランダムフォレスト、多層パーセプトロン、XGBoostといった一般的な機械学習モデルに基づく。
論文 参考訳（メタデータ） (2022-04-10T06:46:51Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳（メタデータ） (2021-07-19T06:00:34Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:13:00Z) - Bitcoin Transaction Forecasting with Deep Network Representation
Learning [16.715475608359046]
本稿では,Bitcoinトランザクションネットワーク表現の学習にディープニューラルネットワークを活用することで,Bitcoinトランザクション予測モデルであるDLForecastを開発するための新しいアプローチを提案する。
我々は,時間分解型リーチビリティグラフと時間分解型トランザクションパターングラフを構築し,異なるタイプの時空間Bitcoinトランザクションパターンをキャプチャすることを目的とした。
本研究では, 静的グラフベースライン上に構築した予測モデルと比較して, 時空間予測モデルは高速に実行可能であり, 精度を60%以上向上し, 予測性能を50%向上することを示した。
論文 参考訳（メタデータ） (2020-07-15T21:11:32Z) - GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity
Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。
GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-05-12T03:46:15Z)
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。