論文の概要: Bitcoin Research with a Transaction Graph Dataset

• arxiv url: http://arxiv.org/abs/2411.10325v1
• Date: Fri, 15 Nov 2024 16:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:11.079815
• Title: Bitcoin Research with a Transaction Graph Dataset
• Title（参考訳）: トランザクショングラフデータセットによるBitcoinの研究
• Authors: Hugo Schnoering, Michalis Vazirgiannis,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.66391887460672
• License:
• Abstract: Bitcoin, launched in 2008 by Satoshi Nakamoto, established a new digital economy where value can be stored and transferred in a fully decentralized manner - alleviating the need for a central authority. This paper introduces a large scale dataset in the form of a transactions graph representing transactions between Bitcoin users along with a set of tasks and baselines. The graph includes 252 million nodes and 785 million edges, covering a time span of nearly 13 years of and 670 million transactions. Each node and edge is timestamped. As for supervised tasks we provide two labeled sets i. a 33,000 nodes based on entity type and ii. nearly 100,000 Bitcoin addresses labeled with an entity name and an entity type. This is the largest publicly available data set of bitcoin transactions designed to facilitate advanced research and exploration in this domain, overcoming the limitations of existing datasets. Various graph neural network models are trained to predict node labels, establishing a baseline for future research. In addition, several use cases are presented to demonstrate the dataset's applicability beyond Bitcoin analysis. Finally, all data and source code is made publicly available to enable reproducibility of the results.
• Abstract（参考訳）: 2008年にサトシ・ナカモト(Satoshi Nakamoto)氏が立ち上げたBitcoinは、完全に分散された方法で価値を保存および転送できる新たなデジタル経済を確立した。 本稿では,Bitcoinユーザ間のトランザクションを表わすトランザクショングラフと,一連のタスクとベースラインの形式で,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。 各ノードとエッジはタイムスタンプされる。 教師付きタスクについては、2つのラベル付き集合 i を提供する。 エンティティタイプと ii に基づいた 33,000のノードです 約10万のBitcoinアドレスに、エンティティ名とエンティティタイプがラベル付けられている。 これは、既存のデータセットの制限を克服し、この領域における高度な調査と探索を促進するために設計された、bitcoinトランザクションの公開データセットとしては最大である。 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。 さらに、Bitcoin分析以外のデータセットの適用性を示すために、いくつかのユースケースが提示されている。 最後に、すべてのデータとソースコードが公開され、結果の再現性を可能にします。

関連論文リスト

• ORBITAAL: A Temporal Graph Dataset of Bitcoin Entity-Entity Transactions [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-26T09:48:45Z)
• 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)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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)
• 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)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• 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)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• 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)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。