NFT sales characteristics and price prediction by transfer learning visual attributes

Name: NFT sales characteristics and price prediction by transfer learning visual attributes
Author: Pala, Mustafa

İsim	NFT sales characteristics and price prediction by transfer learning visual attributes
Yazar	Pala, Mustafa
Basım Tarihi:	2024
Konu	Transfer learning (Machine learning), NFTs (Tokens), Blockchains (Databases), Cryptocurrencies, Computer engineering
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d
Lokasyon	Department of Computer Science
Tarih	2024
Örnek Metin	Non-fungible tokens~(NFTs) are unique digital assets whose possession is defined over a blockchain. NFTs can represent multiple distinct objects such as art, images, videos, etc. NFTs are almost always traded by using cryptocurrencies such as Ethereum and blockchains are utilized to encode them. There was a recent surge of interest in trading them which makes them another type of alternative investment. While the existing research predominantly focuses on the technical aspects of NFTs, limited attention has been given to predicting their prices. The inherent volatility of NFT prices, attributed to factors such as over-speculation, liquidity constraints, rarity, subjectivity, and market volatility, presents challenges for accurate price predictions. For such analysis and forecasting, machine learning methods offer a robust solution framework. Here, we focus on two related prediction problems over NFTs: Predicting NFTs' sale price, and inferring whether a given NFT will participate in a secondary sale. We analyze and learn the visual characteristics of NFTs by deep pre-trained models and combine such visual knowledge with additional important non-visual attributes such as the sale history, trader behavior, seller's and buyer's centralities in the trading network, and collection's resale probability, and we assess the reliability of these features. We categorize input NFTs into six categories based on their characteristic features: Art, Collectibles, Games, Metaverse, Utility, and Others. We train several different machine learning methods on these attributes to answer these two questions. Across detailed experiments, we found visual attributes obtained from deep pre-trained models to increase the prediction performance in all cases, even though the pre-trained model giving the optimal result may change depending on the problem type. In general, none of the learning algorithms consistently outperformed the rest of them across all categories. Our code is publicly available at https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler); temel olarak resimler, sanat eserleri, hareketli görseller ve mizahi tasarımlar gibi görselleştirilebilecek herhangi bir nesneyi temsil eden, mülkiyeti blok zinciri üzerinde tanımlanmış dijital varlıklardır. Genellikle Ethereum gibi kripto para birimleri ile çevrimiçi alınıp satılabilirler. NFT'lere ve ticaretine olan ilginin artışı, NFT'leri alternatif bir yatırım aracı haline getirmektedir. Ancak mevcut araştırma ve çalışmalar genellikle NFT'lerin teknik yönlerine odaklanmıştır ve fiyat tahminine yönelik çalışmalar sınırlı kalmıştır. NFT piyasasının karmaşık yapısı, spekülasyon ve manipülasyona açık olması, likidite eksikliği, nadirlik, öznellik ve volatilite gibi faktörler fiyat tahminini oldukça zor hale getirmektedir. Bu bağlamda, analiz ve tahminler için makine öğrenimi güçlü bir çözüm sunmaktadır. Bu çalışmada iki tahmin problemine odaklanılmıştır: NFT'lerin satış fiyatı ve ikincil satış olasılığı. Önceden eğitilmiş derin öğrenme algoritmaları kullanılarak NFT'lerin görsel özellikleri analiz edilmiş, bu görsel bilgi ile satış geçmişi, tüccar davranışı ve ikincil satışların fiyat üzerindeki etkisi de analiz ve öğrenme sürecine dahil edilmiş ve bu özelliklerin güvenilirlikleri değerlendirilmiştir. NFT'leri sanat, koleksiyon, oyun, metaverse, işlevsellik ve diğer olmak üzere 6 kategoriye ayırarak makine öğrenimi algoritmalarıyla satışlar modellenmiş ve bu problemlere cevap aranmıştır. Denemeler sonucunda, görsel özelliklerin tahmin performansını tüm durumlarda artırdığı, optimum performansı gösteren modelin ise problem tipine göre değiştiği görülmüştür. Genel olarak, öğrenme algoritmalarının hiçbiri tüm kategorilerde sürekli olarak diğerlerinden daha iyi performans gösterememiştir. Kodlarımız, https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmuştur.

Kaynağa git Özyeğin Üniversitesi

Aramaya Dön

Özyeğin Üniversitesi

Kaynağa git

NFT sales characteristics and price prediction by transfer learning visual attributes

Yazar Pala, Mustafa

Basım Tarihi 2024

Konu Transfer learning (Machine learning), NFTs (Tokens), Blockchains (Databases), Cryptocurrencies, Computer engineering

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası 0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d

Lokasyon Department of Computer Science

Tarih 2024

Örnek Metin Non-fungible tokens~(NFTs) are unique digital assets whose possession is defined over a blockchain. NFTs can represent multiple distinct objects such as art, images, videos, etc. NFTs are almost always traded by using cryptocurrencies such as Ethereum and blockchains are utilized to encode them. There was a recent surge of interest in trading them which makes them another type of alternative investment. While the existing research predominantly focuses on the technical aspects of NFTs, limited attention has been given to predicting their prices. The inherent volatility of NFT prices, attributed to factors such as over-speculation, liquidity constraints, rarity, subjectivity, and market volatility, presents challenges for accurate price predictions. For such analysis and forecasting, machine learning methods offer a robust solution framework. Here, we focus on two related prediction problems over NFTs: Predicting NFTs' sale price, and inferring whether a given NFT will participate in a secondary sale. We analyze and learn the visual characteristics of NFTs by deep pre-trained models and combine such visual knowledge with additional important non-visual attributes such as the sale history, trader behavior, seller's and buyer's centralities in the trading network, and collection's resale probability, and we assess the reliability of these features. We categorize input NFTs into six categories based on their characteristic features: Art, Collectibles, Games, Metaverse, Utility, and Others. We train several different machine learning methods on these attributes to answer these two questions. Across detailed experiments, we found visual attributes obtained from deep pre-trained models to increase the prediction performance in all cases, even though the pre-trained model giving the optimal result may change depending on the problem type. In general, none of the learning algorithms consistently outperformed the rest of them across all categories. Our code is publicly available at https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler); temel olarak resimler, sanat eserleri, hareketli görseller ve mizahi tasarımlar gibi görselleştirilebilecek herhangi bir nesneyi temsil eden, mülkiyeti blok zinciri üzerinde tanımlanmış dijital varlıklardır. Genellikle Ethereum gibi kripto para birimleri ile çevrimiçi alınıp satılabilirler. NFT'lere ve ticaretine olan ilginin artışı, NFT'leri alternatif bir yatırım aracı haline getirmektedir. Ancak mevcut araştırma ve çalışmalar genellikle NFT'lerin teknik yönlerine odaklanmıştır ve fiyat tahminine yönelik çalışmalar sınırlı kalmıştır. NFT piyasasının karmaşık yapısı, spekülasyon ve manipülasyona açık olması, likidite eksikliği, nadirlik, öznellik ve volatilite gibi faktörler fiyat tahminini oldukça zor hale getirmektedir. Bu bağlamda, analiz ve tahminler için makine öğrenimi güçlü bir çözüm sunmaktadır. Bu çalışmada iki tahmin problemine odaklanılmıştır: NFT'lerin satış fiyatı ve ikincil satış olasılığı. Önceden eğitilmiş derin öğrenme algoritmaları kullanılarak NFT'lerin görsel özellikleri analiz edilmiş, bu görsel bilgi ile satış geçmişi, tüccar davranışı ve ikincil satışların fiyat üzerindeki etkisi de analiz ve öğrenme sürecine dahil edilmiş ve bu özelliklerin güvenilirlikleri değerlendirilmiştir. NFT'leri sanat, koleksiyon, oyun, metaverse, işlevsellik ve diğer olmak üzere 6 kategoriye ayırarak makine öğrenimi algoritmalarıyla satışlar modellenmiş ve bu problemlere cevap aranmıştır. Denemeler sonucunda, görsel özelliklerin tahmin performansını tüm durumlarda artırdığı, optimum performansı gösteren modelin ise problem tipine göre değiştiği görülmüştür. Genel olarak, öğrenme algoritmalarının hiçbiri tüm kategorilerde sürekli olarak diğerlerinden daha iyi performans gösterememiştir. Kodlarımız, https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmuştur.