خصائص مبيعات NFT والتنبؤ بالأسعار عن طريق نقل السمات المرئية للتعلم
| العنوان | خصائص مبيعات NFT والتنبؤ بالأسعار عن طريق نقل السمات المرئية للتعلم |
|---|---|
| المؤلف | بالا، مصطفى |
| تاريخ النشر: | 2024 |
| الموضوع | نقل التعلم (التعلم الآلي)، NFTs (الرموز)، Blockchains (قواعد البيانات)، العملات المشفرة، هندسة الكمبيوتر |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2024 |
| نص عينة | الرموز المميزة غير القابلة للاستبدال ~ (NFTs) هي أصول رقمية فريدة يتم تحديد حيازتها عبر blockchain. يمكن أن تمثل NFTs عدة كائنات متميزة مثل الفن والصور ومقاطع الفيديو وما إلى ذلك. يتم تداول NFTs دائمًا تقريبًا باستخدام العملات المشفرة مثل Ethereum ويتم استخدام blockchain لتشفيرها. كان هناك ارتفاع في الاهتمام مؤخرًا بتداولها مما يجعلها نوعًا آخر من الاستثمار البديل. في حين أن الأبحاث الحالية تركز في الغالب على الجوانب الفنية للرموز غير القابلة للاستبدال، فقد تم إيلاء اهتمام محدود للتنبؤ بأسعارها. إن التقلبات المتأصلة في أسعار NFT، والتي تعزى إلى عوامل مثل الإفراط في المضاربة، وقيود السيولة، والندرة، والذاتية، وتقلبات السوق، تمثل تحديات أمام التنبؤات الدقيقة بالأسعار. ولإجراء مثل هذا التحليل والتنبؤ، توفر أساليب التعلم الآلي إطارًا قويًا للحلول. نركز هنا على مشكلتين للتنبؤ مرتبطتين بـ NFTs: توقع سعر بيع NFTs، واستنتاج ما إذا كانت NFT معينة ستشارك في عملية بيع ثانوية. نحن نحلل ونتعلم الخصائص المرئية للرموز غير القابلة للاستبدال (NFTs) من خلال نماذج عميقة مدربة مسبقًا ونجمع هذه المعرفة المرئية مع سمات غير مرئية مهمة إضافية مثل تاريخ البيع وسلوك المتداول ومركزية البائع والمشتري في شبكة التداول واحتمالية إعادة بيع المجموعة، ونقوم بتقييم موثوقية هذه الميزات. نقوم بتصنيف NFTs المدخلة إلى ست فئات بناءً على ميزاتها المميزة: الفن، والمقتنيات، والألعاب، وMetaverse، والأدوات المساعدة، وغيرها. نقوم بتدريب العديد من أساليب التعلم الآلي المختلفة على هذه السمات للإجابة على هذين السؤالين. ومن خلال التجارب التفصيلية، وجدنا سمات مرئية تم الحصول عليها من النماذج العميقة المدربة مسبقًا لزيادة أداء التنبؤ في جميع الحالات، على الرغم من أن النموذج المدرب مسبقًا الذي يعطي النتيجة المثلى قد يتغير اعتمادًا على نوع المشكلة. بشكل عام، لم تتفوق أي من خوارزميات التعلم باستمرار على بقية خوارزميات التعلم في جميع الفئات. الكود الخاص بنا متاح للعامة على https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler); temel olarak resimler, sanat eserleri, hareketli görseller and mizahi tasarımlar gibi görselleştirilebilecek Herhangi bir nesneyi temsil eden، العديد من الكتل الزنكيري tanımlanmış varlıklardır الرقمية. احصل على كريبتو إيثريوم من أجل إضفاء الطابع الشخصي على العملات المشفرة. NFT's and ticaretine olan ilginin artışı، بديل NFT'leri يتم الحصول عليه من خلال هذه التقنية. تعمل تقنية NFT'lerin على تحسين تقنية NFT ودمجها مع تقنية NFT، كما أنها تعمل على تحسين مستوى الحماية. NFT piyasasının karmaşık yapısı, spekülasyon and manipulasyona açık olması, likidite eksikliği, nadirlik, oznellik and volatilite gibi factörler fiat tahminini oldukça zor hale getirmektedir. يتم إجراء التحليلات والتحليلات والتحليلات في الماكينات من خلال تحليل البيانات. Bu çalışmada iki tahminمشكلة odaklanılmıştır: NFT'lerin satış fiyatı ve ikincil satış olasılığı. تم إنشاء خوارزمية جديدة لتفعيل NFT'lerin Görsel Analiz Edilmiş، مما أدى إلى زيادة عدد مرات التحليل، وتسجيل الدخول، والاشتراك في عمليات التحليل الأخرى. öğrenme sürecine dahil edilmiş ve bu özelliklerin güvenilirlikleri değerlendirilmiştir. تتضمن NFT's Sanat وKoleksiyon وOyun وMetaverse وIslevselik وغيرها من 6 فئات من ماكينات خوارزمية النمذجة المشتركة ومشكلات Cevap Aranmıştır. Denemeler sonucunda, görsel ozelliklerin tahmin Performancesın tum durumlarda artırdığı, الأداء الأمثل gösteren modelin هو مشكلة النوع الذي يتجه نحو değiştiği görülüştür. بشكل عام، توفر الخوارزميات هذه الفئات الآمنة التي تختلف من حيث الأداء إلى الأفضل. Kodlarımız، https://github.com/seferlab/deep_nft adresinde Herkese açık olarak sunulmuştur. |
