論文の概要: The Temporal Graph of Bitcoin Transactions

• arxiv url: http://arxiv.org/abs/2510.20028v1
• Date: Wed, 22 Oct 2025 21:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.840256
• Title: The Temporal Graph of Bitcoin Transactions
• Title（参考訳）: Bitcoin取引の時間グラフ
• Authors: Vahid Jalili,
• Abstract要約: 2009年のジェネシスブロック以来、Bitcoinネットワークはnum>1.08億(B)トランザクションを処理し、num>8.72B BTCを表現している。 資金の流れを再構築することにより、ビットコインの経済トポロジをモデル化したML互換グラフを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Since its 2009 genesis block, the Bitcoin network has processed \num{>1.08} billion (B) transactions representing \num{>8.72}B BTC, offering rich potential for machine learning (ML); yet, its pseudonymity and obscured flow of funds inherent in its \utxo-based design, have rendered this data largely inaccessible for ML research. Addressing this gap, we present an ML-compatible graph modeling the Bitcoin's economic topology by reconstructing the flow of funds. This temporal, heterogeneous graph encompasses complete transaction history up to block \cutoffHeight, consisting of \num{>2.4}B nodes and \num{>39.72}B edges. Additionally, we provide custom sampling methods yielding node and edge feature vectors of sampled communities, tools to load and analyze the Bitcoin graph data within specialized graph databases, and ready-to-use database snapshots. This comprehensive dataset and toolkit empower the ML community to tackle Bitcoin's intricate ecosystem at scale, driving progress in applications such as anomaly detection, address classification, market analysis, and large-scale graph ML benchmarking. Dataset and code available at \href{https://github.com/B1AAB/EBA}{github.com/b1aab/eba}
• Abstract（参考訳）: 2009年のジェネシスブロック以来、Bitcoinネットワークは \num{>1.08}B BTC(B)トランザクションを処理し、機械学習(ML)の豊富な可能性を提供している。 このギャップに対処するため、資金の流れを再構築することで、Bitcoinの経済トポロジをモデル化したML互換グラフを提示する。 この時間的不均一グラフは、完全なトランザクション履歴を含み、 \num{>2.4}B ノードと \num{>39.72}B エッジからなる \cutoffHeight をブロックする。 さらに、サンプリングされたコミュニティのノードとエッジの特徴ベクトルを出力するカスタムサンプリング方法、特殊なグラフデータベース内のBitcoinグラフデータのロードと解析を行うツール、データベーススナップショットの準備が整ったスナップショットを提供する。 この包括的なデータセットとツールキットは、MLコミュニティに、大規模なBitcoinの複雑なエコシステムに取り組む権限を与え、異常検出、アドレス分類、市場分析、大規模グラフMLベンチマークなどのアプリケーションの進歩を促す。 dataset and code available at \href{https://github.com/B1AAB/EBA}{github.com/b1aab/eba}

関連論文リスト

• Linear Transformer Topological Masking with Graph Random Features [52.717865653036796]
  重み付き隣接行列の学習可能な関数としてトポロジカルマスクをパラメータ化する方法を示す。 私たちの効率的なマスキングアルゴリズムは、画像およびポイントクラウドデータのタスクに対して、強力なパフォーマンス向上を提供します。
  論文  参考訳（メタデータ） (2024-10-04T14:24:06Z)
• The Shape of Money Laundering: Subgraph Representation Learning on the Blockchain with the Elliptic2 Dataset [6.209290101460395]
  サブグラフ表現学習(Subgraph representation learning)は、複雑なネットワーク内の局所構造(または形状)を分析する技術である。 Bitcoinクラスタの122Kラベルのサブグラフを含むグラフデータセットであるElliptic2を紹介する。 このアプローチの即時的な実用価値と、暗号通貨における反マネーロンダリングと法医学的分析における新しい標準の可能性を見出す。
  論文  参考訳（メタデータ） (2024-04-29T21:19:41Z)
• 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)
• Live Graph Lab: Towards Open, Dynamic and Real Transaction Graphs with NFT [28.08921595650609]
  私たちは、ブロックチェーンからオープンで動的で実際のトランザクショングラフを可能にする、時間グラフのためのLive Graph Labというコンセプトを紹介します。 NFTトランザクションネットワークでライブグラフをインスタンス化し、そのダイナミクスを調べて、新しい観察と洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-18T04:54:22Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
  グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。 tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。 カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
  論文  参考訳（メタデータ） (2021-01-27T17:16:36Z)

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。