بازگشت به جستجو

ویژگی های فروش NFT و پیش بینی قیمت با انتقال ویژگی های بصری یادگیری

عنوان	ویژگی های فروش NFT و پیش بینی قیمت با انتقال ویژگی های بصری یادگیری
نویسنده	پالا، مصطفی
تاریخ انتشار:	2024
موضوع	یادگیری انتقالی (یادگیری ماشین)، NFT ها (توکن ها)، بلاک چین ها (پایگاه های داده)، ارزهای دیجیتال، مهندسی کامپیوتر
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2024
متن نمونه	توکن‌های غیرقابل تعویض (NFT) دارایی‌های دیجیتال منحصربه‌فردی هستند که مالکیت آن‌ها از طریق یک بلاک چین تعریف می‌شود. NFT ها می توانند چندین اشیاء متمایز مانند هنر، تصاویر، ویدیوها و غیره را نشان دهند. NFT ها تقریباً همیشه با استفاده از ارزهای رمزپایه مانند اتریوم معامله می شوند و از بلاک چین ها برای رمزگذاری آنها استفاده می شود. اخیراً افزایش علاقه به تجارت آنها وجود دارد که آنها را به نوع دیگری از سرمایه گذاری جایگزین تبدیل می کند. در حالی که تحقیقات موجود عمدتاً بر جنبه‌های فنی NFTها متمرکز است، توجه محدودی به پیش‌بینی قیمت آنها شده است. نوسان ذاتی قیمت‌های NFT که به عواملی مانند سفته‌بازی بیش از حد، محدودیت‌های نقدینگی، نادر بودن، ذهنی بودن و نوسانات بازار نسبت داده می‌شود، چالش‌هایی را برای پیش‌بینی دقیق قیمت‌ها ایجاد می‌کند. برای چنین تحلیل و پیش‌بینی، روش‌های یادگیری ماشین یک چارچوب راه‌حل قوی ارائه می‌کنند. در اینجا، ما روی دو مشکل پیش‌بینی مرتبط با NFT تمرکز می‌کنیم: پیش‌بینی قیمت فروش NFTها، و استنباط اینکه آیا یک NFT معین در فروش ثانویه شرکت خواهد کرد یا خیر. ما ویژگی های بصری NFT ها را با مدل های عمیق از پیش آموزش دیده تجزیه و تحلیل و یاد می گیریم و چنین دانش بصری را با ویژگی های مهم غیر بصری اضافی مانند تاریخچه فروش، رفتار معامله گر، مرکزیت فروشنده و خریدار در شبکه معاملاتی و احتمال فروش مجدد مجموعه ترکیب می کنیم و قابلیت اطمینان این ویژگی ها را ارزیابی می کنیم. ما NFT‌های ورودی را بر اساس ویژگی‌های مشخصه‌شان به شش دسته دسته‌بندی می‌کنیم: هنر، کلکسیون‌ها، بازی‌ها، Metaverse، Utility و دیگران. ما چندین روش مختلف یادگیری ماشین را در مورد این ویژگی ها آموزش می دهیم تا به این دو سوال پاسخ دهیم. در آزمایش‌های دقیق، ویژگی‌های بصری به‌دست‌آمده از مدل‌های از پیش آموزش‌دیده عمیق را برای افزایش عملکرد پیش‌بینی در همه موارد پیدا کردیم، حتی اگر مدل از پیش آموزش‌دیده‌ای که نتیجه بهینه را ارائه می‌دهد ممکن است بسته به نوع مشکل تغییر کند. به طور کلی، هیچ یک از الگوریتم های یادگیری به طور مداوم در همه دسته ها بهتر از بقیه آنها عمل نمی کند. کد ما به صورت عمومی در https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler) در دسترس است. تمل اولاراک ریسیملر، صنعت ایسرلری، هارکتلی گورسلر و میزاهی تاساریملار گیبی گورسللشیرله بیلچک هرهنگی بیر نسنی تمسیل ایدن، مولکییتی بلوک زینچیری وزرینده تانیملانمیش دیجیتال وارلیکلاردیر. 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. بو بغلامدا، آنالیز و تهمینلر ایچین ماکینه اوغرنیمی گؤچلو بیر چوزوم سون ماکتادیر. 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 satızerrensi dekementiet سورسینه داهیل ادیلمیش و بو اوزللیکلرین گؤونیلیرلیکلری دغرلندیریلمیشتر. 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، اجرای بهینه گوسترن مدلین مشکل تیپینه گئوره دغشتیگی گورولموشتور. Genel olarak, öğrenme algoritmalarının hiçbiri tum kategorilerde sürekli olarak diğerlerinden daha iyi performans gösterememiştir. کدلاریمیز، https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmuştur.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی

دانشگاه اوزیغین

ویژگی های فروش NFT و پیش بینی قیمت با انتقال ویژگی های بصری یادگیری

نویسنده پالا، مصطفی

تاریخ انتشار 2024

موضوع یادگیری انتقالی (یادگیری ماشین)، NFT ها (توکن ها)، بلاک چین ها (پایگاه های داده)، ارزهای دیجیتال، مهندسی کامپیوتر

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2024

متن نمونه توکن‌های غیرقابل تعویض (NFT) دارایی‌های دیجیتال منحصربه‌فردی هستند که مالکیت آن‌ها از طریق یک بلاک چین تعریف می‌شود. NFT ها می توانند چندین اشیاء متمایز مانند هنر، تصاویر، ویدیوها و غیره را نشان دهند. NFT ها تقریباً همیشه با استفاده از ارزهای رمزپایه مانند اتریوم معامله می شوند و از بلاک چین ها برای رمزگذاری آنها استفاده می شود. اخیراً افزایش علاقه به تجارت آنها وجود دارد که آنها را به نوع دیگری از سرمایه گذاری جایگزین تبدیل می کند. در حالی که تحقیقات موجود عمدتاً بر جنبه‌های فنی NFTها متمرکز است، توجه محدودی به پیش‌بینی قیمت آنها شده است. نوسان ذاتی قیمت‌های NFT که به عواملی مانند سفته‌بازی بیش از حد، محدودیت‌های نقدینگی، نادر بودن، ذهنی بودن و نوسانات بازار نسبت داده می‌شود، چالش‌هایی را برای پیش‌بینی دقیق قیمت‌ها ایجاد می‌کند. برای چنین تحلیل و پیش‌بینی، روش‌های یادگیری ماشین یک چارچوب راه‌حل قوی ارائه می‌کنند. در اینجا، ما روی دو مشکل پیش‌بینی مرتبط با NFT تمرکز می‌کنیم: پیش‌بینی قیمت فروش NFTها، و استنباط اینکه آیا یک NFT معین در فروش ثانویه شرکت خواهد کرد یا خیر. ما ویژگی های بصری NFT ها را با مدل های عمیق از پیش آموزش دیده تجزیه و تحلیل و یاد می گیریم و چنین دانش بصری را با ویژگی های مهم غیر بصری اضافی مانند تاریخچه فروش، رفتار معامله گر، مرکزیت فروشنده و خریدار در شبکه معاملاتی و احتمال فروش مجدد مجموعه ترکیب می کنیم و قابلیت اطمینان این ویژگی ها را ارزیابی می کنیم. ما NFT‌های ورودی را بر اساس ویژگی‌های مشخصه‌شان به شش دسته دسته‌بندی می‌کنیم: هنر، کلکسیون‌ها، بازی‌ها، Metaverse، Utility و دیگران. ما چندین روش مختلف یادگیری ماشین را در مورد این ویژگی ها آموزش می دهیم تا به این دو سوال پاسخ دهیم. در آزمایش‌های دقیق، ویژگی‌های بصری به‌دست‌آمده از مدل‌های از پیش آموزش‌دیده عمیق را برای افزایش عملکرد پیش‌بینی در همه موارد پیدا کردیم، حتی اگر مدل از پیش آموزش‌دیده‌ای که نتیجه بهینه را ارائه می‌دهد ممکن است بسته به نوع مشکل تغییر کند. به طور کلی، هیچ یک از الگوریتم های یادگیری به طور مداوم در همه دسته ها بهتر از بقیه آنها عمل نمی کند. کد ما به صورت عمومی در https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler) در دسترس است. تمل اولاراک ریسیملر، صنعت ایسرلری، هارکتلی گورسلر و میزاهی تاساریملار گیبی گورسللشیرله بیلچک هرهنگی بیر نسنی تمسیل ایدن، مولکییتی بلوک زینچیری وزرینده تانیملانمیش دیجیتال وارلیکلاردیر. 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. بو بغلامدا، آنالیز و تهمینلر ایچین ماکینه اوغرنیمی گؤچلو بیر چوزوم سون ماکتادیر. 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 satızerrensi dekementiet سورسینه داهیل ادیلمیش و بو اوزللیکلرین گؤونیلیرلیکلری دغرلندیریلمیشتر. 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، اجرای بهینه گوسترن مدلین مشکل تیپینه گئوره دغشتیگی گورولموشتور. Genel olarak, öğrenme algoritmalarının hiçbiri tum kategorilerde sürekli olarak diğerlerinden daha iyi performans gösterememiştir. کدلاریمیز، https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmuştur.