מאמר מחקר

מסגרת משחק שיתופי מורחבת בלמידת מכונה למסחר בבלוקצ'יין ויצירות אמנות מבוססות טוקנים לא ניתנות להחלפה עם הוכחות ידע אפס

DOI:

10.3791/68889

⸱

13 במרץ 2026

 , 
1Department of Computer Science and Engineering, National Institute of Technology Meghalaya

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה משפר את המסחר בנכסים דיגיטליים מבוססי NFT בסביבות ערים חכמות על ידי שילוב למידת מכונה במסגרת CoGTT. המסגרת, המיושמת באמצעות חוזים חכמים על בלוקצ'יין ציבורי ונתמכת בהוכחות אפס-ידע, משפרת הוגנות, גמישות ושקיפות, ומגיעה לשיעור השלמת מסחר של 84% תוך התחשבות בעלויות הביצוע הטבועות במערכות מבוזרות.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בהקשר של ערים חכמות, טוקנים שאינם ניתנים להחלפה (NFTs) משנים את שווקי האמנות הדיגיטלית על ידי מתן אפשרות לעסקאות מאובטחות ומבוזרות. ככל שמסחר ב-NFT גדל, שילוב אינטליגנציה וגמישות הופך לקריטי—מה שהופך את האינטגרציה של למידת מכונה (ML) לחיונית. עם זאת, מודלים קיימים, במיוחד מסגרות מסחר שיתופי בתיאוריה של משחקים (CoGTT), מנצלים פחות את ה-ML בכל שלבי המסחר. פערים מרכזיים כוללים גמישות מוגבלת בזמן אמת, אסטרטגיות משא ומתן לא אופטימליות, והתאמה לא מספקת בין קונה למוכר. מחקר זה מתמודד עם פערים אלה על ידי שילוב למידת מכונה במסגרת CoGTT בת שלושה שלבים — מסחר נאיבי מוגבר ב-ML, משא ומתן על מינימום ומקסימום מחירים, ומסחר מבוסס שיווי משקל — כדי לשפר את קבלת ההחלטות והמחיר. המתודולוגיה מיישמת אלגוריתמים של ML כגון עצי החלטות, אשכולות ולמידת חיזוק (Q-learning) בתוך סביבת סימולציה ציבורית מבוססת בלוקצ'יין באמצעות חוזים חכמים. הסימולציה משתמשת במאגר נתונים מותאם אישית המשקף הן את דינמיקת השוק והן את האמינות של האמן. מאגר הנתונים נוצר באופן סינתטי כדי לחקות שוק NFT תוך שמירה על תנאי ניסוי מבוקרים, מה שעשוי להגביל את היישום הישיר לשווקים תנודתיים בעולם האמיתי. הוכחות אפס-ידע (ZKPs) משמשות לשמירה על פרטיות. ZKPs משמשים לשמירה על פרטיות. ניתוח השוואתי של מודלים של למידת מכונה להערכת מחיר NFT והצעות מחיר אסטרטגיות מדגים את היעילות של שילוב אלגוריתמים חיזויים עם למידה מחזקת. מודלים של רגרסיה ליניארית ויער אקראי שניהם מעריכים במדויק מחירי NFT, כאשר יער אקראי משיג דיוק חיזוי בזמן אמת גבוה יותר (R2 = 0.9920). קיבוץ K-Means מחלק ביעילות את משתתפי השוק לתמיכה במשא ומתן ממוקד, ומשיג ציון סילואט של 0.8178. שילוב Q-learning עם Random Forest מאפשר אסטרטגיות הצעות דינמיות שמפחיתות את הפער בין המחיר המומלץ למחירים בפועל. קבוצת הפעולות הדיסקרטית (הפחתה, הישאר, הגדלת) תומכת בהתאמות הצעות בזמן אמת שניתן לפענח. ממצאים אלו מדגישים את הפוטנציאל של מערכות מסחר NFT מונחות למידת מכונה לתמוך בשווקים דיגיטליים בקנה מידה ותואם לפרטיות בערים חכמות, תוך התאמה להתנהגות המסחר עם דרישות השוק באמצעות תהליכים אוטומטיים מונחי נתונים.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המפגש בין טכנולוגיית הבלוקצ'יין לטוקנים שאינם ניתנים להחלפה (NFTs) הציג מודל משנה חיים של בעלות וסחר בנכסים דיגיטליים, במיוחד בערים החכמות. בסביבה זו, מסגרת סחר דיגיטלית באמנות מאפשרת לאמנים להרוויח מהיצירות שלהם ומציעה לאספנים בעלות מאומת באמצעות תשתית מבוזרת. זה משתלב היטב עם מטרות העיר החכמה כמו שקיפות, מעקב ואוטומציה. מספר גורמים, כגון עמלות עסקה גבוהות, תאימות מוגבלת ואכיפה לא מספקת של זכויות יוצרים, מונעים את אימוץ ויכולת ההרחבה של מערכות אלו.

גוף הולך וגדל של מחקרים יסודיים בוחן סוגיות אלו מזוויות שונות. Vujicic ואחרים 1 וקומאר ואח' 2 מספקים סקירות טכניות של מימון מבוזר ומנגנוני חוזים חדשניים התומכים במסחר ב-NFT. Ante ואח' 3 ו-Guan ואחרים.4 בוחנים את ההתנהגויות הכלכליות וחוויית המשתמשים של שווקי NFT, ומדגישים תנודתיות והתנהגות אסטרטגית בקרב בעלי עניין. יישומים שמעבר לאמנות דיגיטלית — כמו ניהול פסולת5, מסחר מאובטחבבינה מלאכותית 6 וציות חוקי7 — מדגימים את הרב-גוניות והשימושיות המתרחבת של פלטפורמות NFT במערכות אקולוגיות מבוזרות.

גישות בין-תחומיות הופיעו גם הן לשיפור הפלטפורמות הללו. תורת המשחקים שימשה לטיפול במבני תמריצים, סכסוכי בעלות וציות לרגולציה, כפי שניתן לראות בעבודות של Sun ואח' 8, Gao ואח' 9, ושאו ואח' 10. מחקרים אלו מעצבים מודלים מבוססי שיווי משקל ומונעי עונש לעידוד התנהגות הוגנת והקצאת משאבים יעילה. במקביל, טכניקות למידת מכונה (ML) מוצגות לשיפור זיהוי הונאה, חיזוי מחירים והערכת תוכן במערכות NFT11,12, ומציעות אסטרטגיות מבוססות נתונים לאופטימיזציה של יעילות המסחר 9,10. מחקרים אחרונים החלו לחקור חיזוי מחירי NFT באמצעות למידה עמוקה ותכונות חזותיות. סיהאן וספר13 הציעו מודל למידה עמוקה לחיזוי מחירי מכירה של NFT ראשוני ומשני, והדגים דיוק משופר לעומת מודלים בסיסיים. באופן דומה, Pala ו-Sefer14 השתמשו בלמידת העברה על תכונות NFT מבוססות תמונה כדי לחזות מאפייני מכירות, מה שהדגיש את חשיבות התכונות הוויזואליות בקביעת המחיר. עבודות אלו משלימות את הגישה שלנו בכך שמדגישות מודאליות נתונים חלופיות, בעוד שהמסגרת שלנו משלבת למידת מכונה עם משא ומתן תיאורטי של משחקים למסחר דינמי ואדפטיבי.

ספרות עדכנית מדגישה את ההשפעה הגוברת של טכנולוגיות בלוקצ'יין ו-NFT באבטחת מערכות אקולוגיות דיגיטליות ובארגון מחדש של דינמיקות השוק. אינטגרציה עם בלוקצ'יין משפרת את אבטחת הנכסים, עמידות להונאות ובעלות מבוזרת בפלטפורמות דיגיטליות, במיוחד בכלכלות משחקים וירטואליות. במקביל, אסתטיקה קריפטוגרפית מונחית NFT ושווקי אמנות מבוזרים חושפים אינטראקציות סוציוטכניות מורכבות שמעצבות מחדש ערך אמנותי, בעלות וייצור תרבותי16, בעוד מחקרים אמפיריים מצביעים על כך שתמחור NFT נשלט בעיקר על ידי מחסור, מוניטין היוצר ודינמיקת שוק18. ניתוחים כמותיים ומבוססי רשת מראים עוד כי אופטימיזציה אסטרטגית ורשתות אינטראקציה מובנות משפיעות משמעותית על תוצאות כלכליות, יציבות ודפוסי הצלחה בשווקים מבוזרים ובמערכות קשורות19,20.

למרות ההתקדמות הזו, מסגרות המסחר הנוכחיות ב-NFT — במיוחד אלו המבוססות על מסחר שיתופי בתיאוריה של משחקים (CoGTT) — נשארות מוגבלות ביכולת ההתאמה וקבלת החלטות. איור 1 מציג את הדיאגרמה האדריכלית של מסגרת CoGTT המוצעת למסחר שיתופי בתיאוריה של משחקי ML. המודלים הקיימים הם בעיקר סטטיים, לעיתים קרובות מסתמכים על אסטרטגיות היוריסטיות או מבוססות כללים שאינן מתחשבות בתנאי שוק מורכבים ודינמיים ובהתנהגות המשתמשים. זה מוביל לעסקאות לא יעילות, אסטרטגיות תמחור גרועות, והגבלת הוגנות בעסקאות.

מחקר זה מציע מסגרת CoGTT מורחבת ללמידת מכונה לפלטפורמות מסחר בנכסים דיגיטליים מבוזרות כדי להתמודד עם מגבלות אלו. המסגרת, המובנית לשלושה שלבים מתקדמים—מסחר נאיבי מוגבר בלמידת מכונה, משא ומתן מינימלי-מקסימום על מחירים, ומסחר מבוסס שיווי משקל—המסגרת מנצלת טכניקות למידה מפוקחת, לא מפוקחת וחיזוק לשיפור ניתוח שוק, משא ומתן אסטרטגי וגילוי שיווי משקל. באופן ספציפי, מודלים של סיווג (למשל, עצי החלטות), אלגוריתמים של אשכולות (למשל, K-Means) ושיטות למידה דינמיות (למשל, Q-learning) משמשים לאופטימיזציה של התאמת מסחר, קביעת מחירים ואסטרטגיית משא ומתן.

הארכיטקטורה המוגברת ל-ML הזו מופעלת על פלטפורמת הבלוקצ'יין החכמה המופעלת על חוזים חכמים (כאן, בלוקצ'יין את'ריום), ומבטיחה ביצוע מבוזר, שקוף ואוטונומי של עסקאות. כדי להגן על נתוני המשתמשים ולשמור על סודיות, ZKPs משולבים, ומאפשרים אימות מאובטח קריפטוגרפית של עסקאות מבלי לחשוף מידע רגיש. תובנות מונעות למידת מכונה משפיעות ישירות על לוגיקת החוזים החכמים, ומטביעות מחירים חזויים וספים אדפטיביים שמגיבים לדינמיקה של שוק בזמן אמת.

לסיכום, מחקר זה מציג מסגרת מסחר ניתנת להרחבה, שומרת על פרטיות וחכמה המופעלת על בלוקצ'יין ציבורי עם טבלת חישוב דמי גז ועלות פריסה בטבלה 1 , שמשפרת משמעותית את היעילות (כפי שמוצג בטבלה 2 ובטבלה 3), את האמינות והגמישות של מערכות מסחר ב-NFT. על ידי שילוב הדוק של למידת מכונה עם לוגיקה תיאורטית של משחקים ותשתית בלוקצ'יין, הפתרון המוצע מתיישב עם מטרות הערים החכמות — לספק פלטפורמה מאובטחת, הוגנת ומכילה למשתמש להחלפת נכסים דיגיטליים.

מחקר זה מציע מסגרת היברידית המשלבת למידת מכונה עם מסחר שיתופי בתיאוריית משחקים (CoGTT) כדי לתמוך בתמחור, משא ומתן וקבלת החלטות בשווקי אמנות דיגיטלית מבוססי NFT. מודלים חיזויים משולבים עם חוזים חכמים כדי לשפר אוטומציה של תהליכים, הוגנות ואבטחה בסביבות מסחר. כדי להתמודד עם דרישות פרטיות וציות, ZKPs משמשים להתאמת מחירים, אימות בעלות ואימות אותנטיות. המסגרת מאמצת מבנה תלת-שלבי הכולל מסחר נאיבי בסיוע למידת מכונה, משא ומתן על מינימום מחיר וסחר מבוסס שיווי משקל, המספק גישה מתואמת לפעילות שוק NFT ניתנת להרחבה.

הניתוח ההשוואתי בטבלה 4: 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38 מדגישים את האינטגרציה של בלוקצ'יין, NFTs, למידת מכונה ומודלים תיאורטיים של משחק בתחומים מבוזרים כגון שווקים דיגיטליים, אבטחת IoT ומערכות אנרגיה. מחקרים קודמים מראים ששילוב מודלים מתקדמים ללמידה ומנגנוני בלוקצ'יין משפר את דיוק התמחור, האבטחה, השקיפות ואופטימיזציה של שיווי משקל. ראיות אמפיריות ואנליטיות מצביעות על שיפורים ביעילות, הפחתת הונאה, הפחתת עלויות והקצאת תמריצים הוגנת באמצעות מסגרות למידת מכונה–בלוקצ'יין היברידיות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המסגרת למסחר באמנות NFT מבוססת בלוקצ'יין בנויה כפרוטוקול רב-שכבתי המשלב חוזים חכמים, מנגנוני שמירה על פרטיות, מידול תיאורטי של משחקים, אלגוריתמים של למידת מכונה, למידה מחזקת והערכת עלויות גז בתוך ארכיטקטורה מאוחדת.

התהליך מתחיל בפיתוח חוזים חכמים המגדירים פונקציות ליבה כגון רישום משתתפים, רישום נכסים, הגשת הזמנות וביצוע עסקאות. חוזים אלו מאפשרים קליטת משתמשים, רישום נכסים וטיפול בטוח בפקודות. כדי להעריך נכונות ויעילות, נבדקה לוגיקת חוזה, ונרשמו עלויות ביצוע תחת הגדרות מהירות עסקה שונות.

ZKPs משולבים כדי לאמת את אותנטיות היצירה מבלי לחשוף פרטים רגישים. כל עסקה עוברת אימות כפול באמצעות בדיקות בשרשרת ואימות ZKP, המבטיחים סודיות ושלמות נתונים. העיצוב המודולרי של ZKP פועל באופן עצמאי מהחוזים החכמים הראשיים, ומאפשר אינטגרציה ותמיכה בפריסה בהיקף רחב. הוערכו השהיה של יצירת הוכחות ואימות כדי להעריך את ההיתכנות.

ממשק מבוסס רשת יושם באמצעות מסגרת כללית. הממשק כולל מודולים כמו דף נחיתה, לוח מחוונים לאמנים ופלטפורמת מסחר. אימות מבוסס ארנק מאפשר חתימת עסקאות, בעוד שפונקציות העלאה והטבעה מאפשרות לאמנים לטוקן יצירות דיגיטליות.

ברמת עיצוב השוק, מודל המסחר השיתופי בתיאוריית המשחקים (CoGTT) עושה שימוש במנגנון מובנה של משא ומתן תלת-שלבי. השלב הראשון מיישם התאמת מחירים ישירה בהתבסס על הצעות ובקשות שהוגשו. המשתתפים שלא התאמו עוברים לשלב השני, המשתמש באסטרטגיות תמחור מינימום-מקסימום במשא ומתן, כולל שיטות הערכת שווי בנקודת אמצע. אם לא הושג הסכם, העסקאות מתקדמות לשלב השלישי, בו מיושמים עקרונות שיווי משקל נאש, ומשא ומתן איטרטיבי נמשך עד להשגת מחירים מתכנסים לשיווי משקל. שלבים אלו מיושמים כאלגוריתמים מודולריים: התאמה נאיבית (אלגוריתם 1), תיווך בנקודת אמצע (אלגוריתם 2), מסחר שיווי משקל נאש (אלגוריתם 3), ותהליך עבודה משולב (אלגוריתם 4).

מודלים של למידת מכונה משולבים בתהליך המסחר לתמיכה בקבלת החלטות. מאפייני שוק כמו הצעות מחיר, בקשות, נפח מסחר, נתוני מחירים היסטוריים וציוני מוניטין משמשים למידול חיזוי. רגרסיה ליניארית (אלגוריתם 5) מעריכה מחירים הוגנים, כאשר הביצועים מוערכים באמצעות שגיאת ממוצע בריבוע (MSE). אשכולות K-Means (אלגוריתם 6), הנתמך על ידי נרמול תכונות והפחתת ממדיות מבוססת PCA, מחלק את המשתמשים לאשכולים, המוערכים לפי ציון הסילואט. Random Forest (אלגוריתם 7) מספק תחזיות מחירים נוספות, מאומתות הן דרך MSE והן דרך R2. אלגוריתם אינטגרטיבי (אלגוריתם 8) משלב רגרסיה, אשכולות ויציאות יער אקראי לזרימת החלטות דינמית למסחר אדפטיבי.

למידת חיזוק באמצעות למידת Q מיושמת לאופטימיזציה של אסטרטגיות הצעות מחיר. מרחב המצבים מוגדר על ידי רמות המחיר הנוכחיות וערכי ההצעה, בעוד שהפעולות כוללות הארכה, הפחתה או שימור. סוכן Q מאומן באמצעות משוב מתחזיות יער אקראי, מדיניות לומדת שמפחיתה שגיאות תמחור ומגבירה את התועלת של המשתתפים. סימולציות מתבצעות עד להתכנסות למדיניות המותאמת לשיווי משקל, והפלטים מאומתים בסביבות מסחר מדומות.

צריכת הדלק לכל פונקציה חוזית מתועדת באופן שיטתי, כאשר עלויות העסקה מחושבות בהגדרות מהירות משתנות. לדוגמה, פונקציית registerArtist() צרכה 90,123 יחידות גז, כאשר עלויות תואמות הושוו למחירי ETH בשוק. הערכות אלו מזהות פשרות בין עלות ליעילות ביצוע.

ביצועי המסגרת הוערכו באמצעות מדדים מרובים. רגרסיה ליניארית השיגה MSE של 4.54 × 10⁻28, בעוד שקיבוץ K-Means הניב ציון סילואט של 0.8178. Random Forest הניבה MSE של 0.1311 עם R2 של 0.9920. פלטי למידת Q הוערכו להתאמה של התכנסות ושיווי משקל בתנאי תמחור שונים. תוצאות אלו מצביעות על היתכנות הגישה המוצעת לתמיכה במסחר באמנות NFT בתנאי שוק מבוססי בלוקצ'יין.

מסגרת מסחר שיתופי בתיאוריה של משחקים (CoGTT) מוצעת למסחר באמנות דיגיטלית

מסגרת המסחר השיתופי ההיברידית החדשנית (CoGTT) משלבת גישת מסחר NFT תיאורטית במשחקים עם מנגנוני תמחור נוספים ואיזון נאש לשיפור היעילות והתיאום של שוקי ה-NFT. הגישה המוצעת מבוססת על פלטפורמת בלוקצ'יין המופעלת על חוזים חכמים. הגישה מנצלת טכניקות קריפטוגרפיות מתקדמות ו-ZKPs כדי להבטיח אימות עסקאות מאובטח ופרטי. ZKPs מאפשרים אימות פרטי בעלות ועסקה מבלי לחשוף מידע רגיש על קונים או מוכרים.

גישה מוצעת זו מציגה אינטראקציות אסטרטגיות בין יוצרים, קונים ומתווכים ביניים בתוך שוק מבוזר. מודל זה שואף למקסם את תוצאות המסחר, לאזן בין תמריצים לכל המשתתפים תוך התחשבות בדינמיקות של תחרות ושיתוף פעולה. בעוד שהמסגרת המוצעת מתמקדת בעיקר בהתאמת הצעה-בקשה נאיבית, משא ומתן מבוסס אמצע ופתרון מבוסס שיווי משקל נאש, שיטות נוספות כמו מכרזים במחיר שני קיימות ונשארות רלוונטיות בשווקי ה-NFT. במסחר באמנות דיגיטלית, המכרזן קובע את מחיר העסקה באמצעות גישות:

מחיר הצעה לצרכן: המחיר נקבע ישירות על בסיס ההצעה הגבוהה ביותר של הקונה. שיטה זו משקפת את הערך המרבי שהקונה ישלם עבור היצירה, ומעודדת מכרז תחרותי.

שיטת המחיר הממוצעת: המחיר מחושב כנקודת האמצע בין מחיר הבקשה של הקונה למחיר המבוקש של המוכר, ויוצר איזון. חישוב המחיר בשיווי משקל זה:

שיווי משקל (EPrice) = DArtAPrice + DArtBPrice

גישה זו שואפת לאזן בין האינטרסים של הקונה והמוכר, ולהוביל לעסקה הוגנת ומוסכמת לשני הצדדים. שיטות אלו מספקות גמישות באסטרטגיות תמחור, המותאמות להעדפות מגוונות ולדינמיקות שוק במערכת המסחר באמנות דיגיטלית.

מודל מסחר שיתופי תלת-שלבי המבוסס על תיאורטיקת משחקים

חלק זה מציג גישה חדשנית של מסחר שיתופי תלת-שלבי המבוססת על תיאוריית משחקים, המיועדת במיוחד ליצירות אמנות דיגיטליות. הגישה מתאימה באופן דינמי הן את מחירי ההצעות והן את מחירי הבקשה כדי למקסם יעילות והגינות מסחרית, כפי שמוצג בטבלאות 2 ובטבלה 3, בהנחיית ברוקר. המטרה היא לשפר הוגנות, יעילות ורווחיות בשווקי NFT מבוזרים, תוך שמירה על איזון בין האינטרסים של יוצרים וקוני יצירות. איור 2 ממחיש את מודל מערכת המסחר התלת-שלבית המוצע ליצירות דיגיטליות, עם האלגוריתם המפורט שמסופק באלגוריתם 4. מסגרת CoGTT המוצעת משלימה ביעילות את תהליך מסחר האמנות הדיגיטלית בשלושה שלבים: א) מסחר נאיבי המבוסס על מחירי בקשה ומכרז, ב) מסחר על בסיס מחיר מינימום-מקסימום במשא ומתן, וג) מסחר בשיטת שיווי משקל נאש. בשלב הראשון, מסחר נאיבי מתחיל בהתבסס על מידע ראשוני מהיוצרים והקונים. השלב השני כולל מסחר על בסיס מחירי מינימום מקסימום בין מוכרים לקונים עבור הבקשות הנותרות שלא נסחרו. לבסוף, השלב השלישי משתמש בשיטת שיווי משקל נאש כדי לסיים את תהליך המסחר.

שלב ראשון - מסחר נאיבי במחיר מבוקש ומחיר הצעה:

בשלב הראשון, יוצרי יצירות דיגיטליות (ספקים) מאורגנים לפי סדר עולה לפי המחירים המבוקשים שלהם, יחד עם מחירי המכירה המינימליים שלהם. באופן דומה, הקונים (הצרכנים) מסודרים בסדר עולה בהתאם למחירי ההצעה שהגישו, יחד עם מחירי ההצעה המקסימליים שלהם. מחיר המבוקשה המינימלי של היוצרים ומחיר ההצעה המקסימלי של הקונים נשמרים בסודיות. לאחר מכן מיושמת גישה שיתופית כדי להתאים בין קונים ליוצרים, ומקלה על חלוקת יצירות אמנות כאשר מחירי ההצעות של הקונים תואמים את המחירים המבוקשים של היוצרים. הקצאה זו עשויה לכלול יוצר אחד או מספר יוצרים, כל עוד מחירי המבוקש המשולבים נופלים במסגרת ההצעה של הקונה. קונים שאינם מצליחים להשיג יצירות אמנות בשלב זה בשל מגבלות מחירים יעברו לשלב השני. פרטי גישת המסחר מפורטים באלגוריתם 1.

השלב השני - מסחר במחיר מינימום-מקסימום שנחתם במשא ומתן

בשלב השני, הבקשות של קונים לא תואמים מטופלות להשלמת תהליך המסחר, תוך ניצול מחירי הדרישה המינימליים של יוצרי אמנות דיגיטלית ומחירי ההצעות המקסימליים מהקונים. גישת המסחר משתמשת בשיטות שונות, כולל ערך בינוני, ערך אמצע תוך-יומי ושווי משקל שוק, כדי לקבוע ערך אמצע שמגביר את יעילות המסחר. הפרטים של גישות אמצע אלו נדונים בתת-הסעיפים הבאים. פרטי גישת המסחר מסופקים באלגוריתם 2.

ערך בינוני: גישת תיווך המשולבת כדי למצוא את הערך הבינוני בין היוצרים לקונים באמצעות גישה פשוטה של ערך בינוני. לדוגמה, אם מחיר ההצעה לאמנות דיגיטלית הוא 50 והמחיר המבוקש הוא 52, ניתן למצוא את הערך האמצעי על ידי ממוצע מחירי ההצעה והבקשה.

figure-protocol-1

ערך נקודת אמצע תוך-יומית: גישת ברוקרינג משולבת מסמנת את מחיר המסחר המינימלי של אותו סוג אמנויות, גם מסמנת את המחיר המקסימלי של אותו סוג אמנויות, ומשתמשת בנוסחה הבאה לחישוב ערך הביניים: (שיא נוכחי של היום + שפל נוכחי של היום)/2. ערך בינוני זה נקבע כמחיר עסקת המסחר אם הערך הבינוני גבוה ממחיר הבקשה המינימלי של יוצר האמנות ופחות ממחיר ההצעה המקסימלי של הקונה.

שיווי משקל בשוק: המחיר הבינוני הוא אינדיקטור חשוב לשיווי משקל בשוק. הוא משקף את המחיר שבו יוצר האמנות (מחיר מבוקש) והקונה (מחיר ההצעה) של נכס מתיישרים. ערך זה מחושב על ידי ממוצע מחיר ההצעה הגבוה ביותר והמחיר הנמוך ביותר, ומספק לסוחרים ייצוג הוגן של שווי השוק הנוכחי, מבלי להיות מושפע ממחירי מכרז או ביקוש קיצוניים. הנוסחה מוצגת בשלוש המשוואות הבאות.

 figure-protocol-2

figure-protocol-3

figure-protocol-4

השלב השלישי - מסחר בשיטת שיווי המשקל של נאש

בשלב השלישי, המידע המורחב של הבקשות שנותרו שלא נסחרו, כמו מחיר המבוקש המינימלי מהיוצר ומחיר ההצעה המקסימלי של הקונה, נחשף לשני הצדדים, כך שיגיעו לנקודת שיווי משקל שבה מחיר ההצעה של הקונה גבוה ככל שהוא מוכן ללכת ומחיר הבקשה של היוצר נמוך ככל שהוא מוכן לקבל. פרטי גישת המסחר מוצגים באלגוריתם 3.

בשלבים הראשון והשני של המסגרת, נעשה שימוש בסודיות וביישור תמריצים כדי למנוע דיווח שגוי אסטרטגי של מחירים. נכונות מקסימלית של הקונים לשלם והמחירים המינימליים המקובלים של היוצרים נשמרים כערכים סודיים במהלך ההקצאה, מה שמגביל הזדמנויות למניפולציה באמצעות דיווח חסר או הגזמה. מכיוון שהחלטות התאמה מתבססות על טווחים (מינימום ביקוש ומכרז מקסימלי) ולא על גילויים מפורשים, ניסיונות לדווח שגוי על מחירים מגבירים את הסיכוי להחרגה מהקצאות שלב 1 או שלב 2, ובכך מפחיתים הזדמנויות מסחר. יתרה מזאת, הפרוטוקול מתקדם לשלב שלישי המבוסס על שיווי משקל נאש כאשר עסקאות קודמות אינן מצליחות. בשלב זה, התאמות איטרטיביות מובילות להתכנסות לתוצאות המשקפות בצורה מדויקת יותר את ההערכות האמיתיות של המשתתפים. התקדמות זו מרתיעה דיווח שגוי בשלבים הראשונים, שכן ניסיונות כושלים למניפולציה רק מעכבים את הביצוע ולבסוף מחייבים גילוי אמיתי של הערכות ערך להשלמת סחר מוצלחת.

התוצרים של אלגוריתמי למידת המכונה (ML) אינם מטופלים כחיזויים מבודדים, אלא מוטמעים באופן פעיל במסגרת המסחר השיתופית-תיאורטית של משחק (CoGTT) התלת-שלבית כדי להנחות תמחור, משא ומתן וגילוי שיווי משקל. הקשרים מתוארים כעת כך:

שלב 1 - מסחר נאיבי עם רגרסיה ליניארית: מודל הרגרסיה הליניארית מייצר מדד מחיר הוגן על ידי ממוצע תכונות המכרז והבקשה מול מגמות היסטוריות. המחיר ההוגן החזוי מושווה גם להצעה שהקונה הגיש וגם למחיר המבוקש של היוצר. אם אחד הצדדים מדווח על ערך שסוטה משמעותית מהמחיר ההוגן החזויה, ההקצאה מופחתת עדיפות, מה שמפחית את התמריץ לדיווח שגוי. לכן, פלט הרגרסיה פועל כמנגנון סינון שקובע אילו עסקאות נחשבות לרלוונטיות להקצאה ישירה.

שלב 2 - משא ומתן מינימום-מקסימום עם יער אקראי: מודל היער האקראי משפר את הערכת המחיר הדינמית על ידי שילוב מרווחי מכרז-קנייה, נפח מסחר וציוני מוניטין. תחזיות אלו משמשות ישירות לכיול שיטות משא ומתן מבוססות אמצע (ערך בינוני, נקודת אמצע תוך יומית, שיווי משקל שוק). לדוגמה, כאשר מחושב מחיר נקודת אמצע, תחזית היער האקראית מיושמת כגורם מתקן כדי להבטיח שהערך המשא ומתן תואם את התנהגות השוק. אינטגרציה זו מבטיחה שתוצאות התיווך יהיו מעוגנות בדפוסי שוק שנלמדו ולא בנקודות ביניים אריתמטיות שרירותיות.

שלב 3 - מסחר מבוסס שיווי משקל עם קיבוץ K-means: בשלב זה, משתתפי הקונה והמוכר מחולקים תחילה לאשכולות בהתבסס על תכונות התנהגותיות (אגרסיביות בהצעה/בקשה, מוניטין, פעילות היסטורית). סגמנטציה זו מבטיחה שהמשא ומתן לקראת שיווי משקל יתקיים בין משתתפים דומים, מה שמפחית תנודתיות ומשפר את ההגינות. הקצאות האשכול משמשות אפוא כמגבלות ברמת הקבוצה על מחיריהם ניתנים לשקול בגילוי שיווי משקל.

אינטגרציה של למידת חיזוק (Q-learning): למידת Q בונה על תחזיות יער אקראיות כדי למקסם אסטרטגיות הצעות דינמיות. בכל פעם שהסוכן מתאים הצעה (הפחתה, החזקה או העלאה), אות התגמול מחושב ביחס למחיר ההוגן החזוי ביער האקראי. במהלך מספר פרקים, סוכן ה-Q לומד מדיניות שממזערת שגיאות תמחור ומגדילה את התועלת, ומדיניות זו מיושמת ישירות במסחר שיווי משקל שלב 3. בפועל, משמעות הדבר היא שהתאמות ההצעות של הקונים במהלך גילוי שיווי המשקל מושפעות מאסטרטגיות שאופטימליות ואומצו במהלך סימולציות אימון.

יחד, מנגנונים אלו מראים כי פלטי ה-ML משמשים כמנועי תמיכה בהחלטות המשולבים באופן הדוק עם שלבי CoGTT. רגרסיה ליניארית מחייבת הקצאות ראשוניות ריאליסטיות, Random Forest מבססת משא ומתן על התנהגות שוק אמפירית, מבנה אשכולות של תהליך שיווי המשקל, ולמידה חיזוק מניעה שיפור אסטרטגיה אדפטיבית. על ידי קישור מפורש של תחזיות אלגוריתמיות לנקודות החלטה תפעוליות, המסגרת מבטיחה שהמסחר לא רק יהיה אוטומטי אלא גם מבוסס על אינטליגנציה אדפטיבית לשוק.

מערכי נתונים, תכונות ומסגרת שכפול

הגדרת מערך הנתונים ומוטיבציה

סביבות מסחר ב-NFT ונכסים דיגיטליים מאופיינות במספר תכונות שוק ומשתתפים, כולל מחיר הצעת קנייה, מחיר ביקוש מוכר, מחיר עסקה היסטורי, נפח עסקאות ומוניטין המשתתפים. מכיוון שאין מאגר NFT זמין לציבור שמספק בו זמנית את כל התכונות הללו, מחקר זה עושה שימוש במאגרי נתונים שנוצרו באופן סינתטי כדי לאפשר אימות פרוטוקול מבוקר תוך שמירה על התנהגות שוק ריאלית. גודל מערכי הנתונים נע בין 100 ל-1000 עסקאות, בהתאם לתרחיש הניסוי ולדרישות המודל.

כל רשומת מערך נתונים כוללת את השדות הבאים: הצעה, הבקשה, מחיר היסטורי, נפח, מוניטין ומחיר הוגן, כאשר המחיר ההוגן מוגדר כממוצע האריתמטי של ערכי ההצעה והבקשה.

תהליך יצירת נתונים סינתטיים:

הצעות קונה מדגימות מהתפלגויות אחידות מוגבלות, באמצעות טווחים כמו [90, 110] לניסויים בקנה מידה קטן ו-[100, 1000] לסימולציות בקנה מידה גדול. מחירי הבקשה של המוכר נוצרים על ידי הוספת היסט סטוכסטי חיובי להצעות המתאימות, תוך הדמיה של מרווחי מכרז-קנייה ריאליסטיים. המחירים ההיסטוריים נלקחים מהתפלגויות נורמליות המתמקדות בערכי מכרז עם רעש מצטבר כדי לדמות תנודתיות בשוק. נפחי העסקאות נוצרים כערכים שלמים בתוך טווחים מוגדרים מראש (למשל, [1, 10] או [100, 1000]), בעוד שציוני מוניטין המשתתפים נמדגים מהתפלגויות אחידות ב-[0, 1] (ציוני אמון מנורמלים) או ב-[0, 5] (ייצוג דירוג כוכבים). כל הניסויים משתמשים בזרעים אקראיים קבועים (numpy.random.seed(42)) כדי להבטיח שחזור דטרמיניסטי וניתן לחזרה על מערך נתונים.

סכמת נתונים, אחסון וגישה

כל מערכי הנתונים מאוחסנים בפורמט CSV עם סכמת שישה עמודות קבועה: (bid, ask, historical_price, volume, reputation, fair_price). כל קובץ CSV מכיל בדרך כלל כ-1,000 רשומות, אלא אם צוין אחרת. לצורך שכפול מבוזר, קבצי מערכי נתונים מועלים ל-IPFS, ומזהי התוכן המתאימים (CIDs) מתועדים לצד כתובות חוזה חכם בקבצי קונפיגורציה. עיצוב זה מאפשר שליפה עצמאית של מערכי נתונים זהים ללא הסתמכות על אחסון מרכזי.

הכנת מערך נתונים ופיצול

מערכי נתונים מחולקים לתת-קבוצות אימון ובדיקה באמצעות חלוקה של 80/20 רכבת–בדיקה המיושמת באמצעות train_test_split עם random_state=42. אימות צולב חמש פעמים מוחל במהלך כיולון היפרמטרים של Random Forest, בעוד שקנה מידה של תכונות באמצעות StandardScaler() מיושם במידת הצורך, במיוחד עבור אשכולות וזרימות עבודה מבוססות PCA.

מודלים ופרמטריזציה של למידת מכונה

כל מודלי למידת המכונה מיושמים באמצעות ספריות מבוססות עם תצורות קבועות כדי להבטיח שחזוריות. סיכום מלא של הפרמטרים והערכים מסופק בטבלה הנלווית. רגרסיה ליניארית (LR) משתמשת באומדן ריבועים מינימליים כאשר מכרז, הבקשה, מחיר היסטורי, נפח ומוניטין הם קלטים, ומחיר הוגן הם משתנה היעד. הביצועים מוערכים באמצעות שגיאת ממוצע בריבוע (MSE). אשכולות K-Means מיושמת על תת-קבוצות תכונות בקנה מידה, ומופחתת אופציונלית באמצעות ניתוח רכיבים עיקריים (PCA) כאשר שני רכיבים תופסים מעל 90% שונות. מספר האשכולות נבחר בטווח 2–3 באמצעות קריטריוני מרפק וסילואטה. רגרסיית יער אקראית (RF) משמשת להערכת מחירים לא ליניארית עם 100–200 עצים, פרמטרי עומק ופיצול המכוונים באמצעות אימות צולב חמש. ביצועי המודל מוערכים באמצעות MSE ו-R2. למידת Q מיושמת כגישת למידת חיזוק טבלאי עם 31 מצבי מחיר מובחנים, שלוש פעולות התאמת הצעה, ופרמטרי למידה קבועים (α = 0.1, γ = 0.9, ε = 0.1). ההתכנסות מוערכת באמצעות ייצוב תגמולים אפיזודיים. חישובית, רגרסיה ליניארית ו-K-Means משלימים בשניות עבור מערכי נתונים של עד 10דגימות של 3 , אימון יער אקראי דורש שניות עד דקות בהתאם לקנה מידה, ולמידת Q מתכנסת ביעילות בזכות מרחב המצב הנמוך שלה.

ביצוע בלוקצ'יין, פרטיות ורישום עלויות

פריסה וביצוע חוזים חכמים

חוזים חכמים המקודדים את לוגיקת המסחר נכתבים ב-Solidity (pragma ^0.8.20) עם אופטימיזציה של מהדר (200 ריצות) ומופעלים ברשת הבדיקה של Sepolia באמצעות מסגרות פיתוח סטנדרטיות. חתימת עסקאות מבוססת ארנק מתבצעת דרך ארנק מבוסס דפדפן שמחובר דרך נקודת קצה RPC. שימוש בגז לפריסת חוזים ופונקציות עסקאות מתועד אוטומטית, ועלויות הביצוע מחושבות באמצעות שיעורי המרה של ETH/USD עכשוויים.

אינטגרציה להוכחת ידע אפס

אימות שומר על פרטיות מיושם דרך צינור ZK-SNARK, הכולל קומפילציה של מעגלים, הגדרה אמינה, יצירת הוכחות ואימות בשרשרת. הוכחות נוצרות מחוץ לשרשרת ומאומתות בשרשרת באמצעות חוזה אימות ייעודי המופעל לצד חוזה המסחר הראשי, המאפשר אימות בעלות ותיקון העסקה מבלי לחשוף נתוני משתתפים רגישים.

סביבת תוכנה ותהליך ביצוע

כל הניסויים מתבצעים על מערכת לינוקס 64 ביט עם תצורת חומרה קבועה. זרימות עבודה של למידת מכונה מתבצעות בסביבת פייתון, בעוד שפיתוח בלוקצ'יין ואינטראקציה עם ממשק קדמי מסתמכים על מחסנית מבוססת JavaScript עם גרסאות מסגרת קבועות. יישומים בצד הקדמי נבנים ומוגשים באמצעות מנהל חבילות, חוזים חכמים מקומפלים ומופעלים באמצעות מסגרות פיתוח סטנדרטיות, ואימות ZKP משולב בזרימת ביצוע העסקאות.

גרסאות תוכנה מדויקות, דגלי מהדר, תצורות ארנק, מדיניות הצמדת IPFS, פקודות ביצוע ודוגמאות CID מתועדות בקובץ השכפול כדי להקל על שכפול עצמאי.

תוצאות תפעוליות ושיעורי השלמה

החוסן של הפרוטוקול המופעל משתקף בסטטיסטיקות הביצוע שלו. פונקציות ליבה של חוזים חכמים משיגות שיעורי השלמה גבוהים, עם שיעור הצלחה כולל של 84% בכל פעולות העסקאות. ספירות ביצוע מפורטות ברמת הפונקציה ושיעורי השלמה מדווחים בטבלת התוצאות המתאימה.

אלגוריתמים

חלק זה מציג מסגרת מסחר דיגיטלית תיאורטית של משחקים שיתופית בת שלושה שלבים, שבה משתמשים במתווך כדי לאסוף יחידות אמנות זמינות ומחירי המבוקש שלהן מהיוצרים, וכן את היחידות הנדרשות ומחירי הצעות מהמשתמשים. בהתבסס על הגישה המוצעת, הברוקר מקל על עסקאות בין יוצרים למשתמשים. תהליך המסחר מתנהל בשלושה שלבים מובחנים: בשלב הראשון, אלגוריתם מסחר נאיבי מיושם על מחירי הבקשה וההצעות, כפי שמתואר באלגוריתם 1. השלב השני מציג אלגוריתם מסחר מבוסס משא ומתן על מינימום מחירים, המוצג באלגוריתם 2. לבסוף, השלב השלישי עושה שימוש באלגוריתם מסחר מבוסס שיווי משקל נאש, המפורט באלגוריתם 3, ואלגוריתם 4 משלב את שלושת האלגוריתמים בגישת שיתוף פעולה תאורטית של משחקי משחק מקיף ומקיף בתיאוריה של משחקים. אלגוריתם 5 מציג את הרגרסיה הליניארית לחיזוי מחיר הוגן. אלגוריתם 6 מציג את קיבוץ K-Means עבור קבוצת קונים/מוכרים. אלגוריתם 7 מציג יער אקראי לחיזוי מחירים במשא ומתן בזמן אמת. אלגוריתם 8 מציג את זרימת אלגוריתם המסחר ב-NFT מבוסס למידת מכונה. האלגוריתמים 5–8 הם חלק מהאלגוריתם 8.

המסגרת המוצעת מיישמת מנגנון תלת-שלבי של מסחר שיתופי בתיאוריה של משחקים (CoGTT) לטיפול שיטתי בעסקאות אמנות דיגיטליות מבוססות NFT. בשלב הראשון, מסחר נאיבי מתבצע באמצעות התאמת הצעה-בקשה ישירה, כפי שנוסח באלגוריתם 1. הקונים מסודרים לפי מחירי הצעות יורדים והמוכרים על ידי מחירי ביקוש עולים, מה שמאפשר חלוקה רציפה של יצירות אמנות במסגרת מגבלות תקציב הקונה. קונים שאינם יכולים להשלים עסקה בשלב זה מועברים לשלב השני, שבו מוחל תמחור מינימום-מקסימום במשא ומתן באמצעות אלגוריתם 2. שלב זה מחשב מחיר אמצע בין מחיר המבוקש המינימלי של המוכר למחיר המכרז המרבי של הקונה, אשר מותאם עוד באמצעות ביקוש שוק ומדדי מסחר בזמן אמת. עסקה מתבצעת רק אם המחיר המשא ומתן נשאר בטווח ההצעה-בקשה המותר. עבור עסקאות שעדיין לא נפתרו, המסגרת מתקדמת לשלב השלישי, שבו מסחר מבוסס שיווי משקל נאש מיושם באמצעות אלגוריתם 3. כאן, התאמות מחירים איטרטיביות המבוססות על תשתיות משתתפות מתכנסות למחיר שיווי משקל יציב, מה שמבטיח הסדר רציונלי. שלושת השלבים הללו מתוזמרים במסגרת זרימת החלטות מאוחדת המוגדרת באלגוריתם 4, המשלבת התאמה ישירה, תיווך ופתרון שיווי משקל לתוך צינור מסחר אחד.

כדי לשפר את דיוק התמחור, גמישות וקבלת החלטות אסטרטגיות, מסגרת CoGTT מורחבת במודלים מרובים של למידת מכונה. אלגוריתם 5 מיישם רגרסיה ליניארית להערכת מחיר הוגן בסיסי באמצעות תכונות שוק נצפות, ומשמש כמנגנון סינון ניתן לפרשנות במהלך הערכת הסחר הראשונית. למשא ומתן בזמן אמת, אלגוריתם 7 משתמש ברגרסור יער אקראי כדי ללכוד דפוסי תמחור לא ליניאריים המושפעים מרווחי מכרז לקנייה, מחירים היסטוריים, נפח ומוניטין משתתפים. התנהגות המשתתפים בנויה עוד יותר באמצעות אלגוריתם 6, שמיישם אשכולות K-Means עם הפחתת ממדיות מבוססת PCA על קונים ומוכרים קבוצתיים לקבוצות דומות התנהגותית, ומשפר את היציבות במהלך משא ומתן על שיווי משקל. מודלים אלו משולבים בזרימת עבודה מאוחדת של מסחר מונע למידת מכונה, כפי שמתואר באלגוריתם 8, שבו רגרסיה ליניארית תומכת בסינון שלב 1, יער אקראי משפר את מחירי המשא ומתן של שלב 2, אשכולות מנחית את קבוצת המשתתפים בשלב 3, ולמידת חיזוק מייעלת את התאמות ההצעות לקראת שיווי המשקל של נאש. יחד, אלגוריתמים אלו מבטיחים שהמסגרת המוצעת לא רק מבוססת תיאורטית אלא גם אדפטיבית, מונעת נתונים ומתאימה לסביבות שוק NFT דינמיות. כל האלגוריתמים מופיעים בקובץ המשלים 1.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הגישה המוצעת מבוססת בלוקצ'יין למסחר ביצירות אמנות דיגיטלית מנצלת ZKPs. כל שיטת מסחר משולבת בחוזה חכם, עם פונקציות חיוניות — כגון רישום יוצר יצירות, רישום משתמש ומנגנוני מסחר — המוגדרות כפונקציות חוזיות ייעודיות. פרמטרי הסביבה של פלטפורמת הבלוקצ'יין המשמשים בסימולציות מפורטים בטבלה 1.

כדי לשמור על עקביות, כל שיטות המסחר עומדות בפרמטרים סטנדרטיים של בלוקצ'יין ציבורי ותהליכי רישום. ZKPs משפרים את האבטחה על ידי אימות בעלות על יצירות אמנות תוך שמיר...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מציע מסגרת מסחר שיתופי במשחק מוגבר בלמידת מכונה (CoGTT) לשווקי אמנות דיגיטלית מבוססי NFT, שמטרתה לשפר את דיוק התמחור, משא ומתן אסטרטגי ויעילות קבלת החלטות. הגישה משלבת מודלים של למידה מפוקחת, לא מפוקחת ומודלים של חיזוק—כגון עצי החלטות, K-Means ולמידת Q—בפלטפורמת בלוקצ'יין המופעלת על ידי חוזה חכם, המאפשרת מסחר מבוזר, שקוף ואדפטיבי. מוצג מבנה תלת-שלבי: מסחר נאיבי מוגבר ב-ML, משא ומתן על מינימום מחיר וסחר מבוסס שיווי משקל, המאפשר ניתוח דינמי של התנהגות שוק ואופטימיזציה של מסחר. בנוס...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אנחנו, המחברים, מצהירים כי אין ניגודי עניינים—כלכליים, אישיים או אחרים—שיכלו להשפיע על העבודה המדווחת בכתב היד הזה. מודל שפה מבוסס בינה מלאכותית שימש רק לליטוש שפה, תיקון דקדוק ושיפור בהירות וטון אקדמי בחלקים נבחרים של כתב היד. הכלי לא שימש ליצירת רעיונות מדעיים, ניסוח השערות, עיצוב המתודולוגיה, ביצוע ניסויים, ניתוח תוצאות או הסקת מסקנות.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים רוצים להביע את תודתם הכנה לד"ר ק. המנט קומאר רדי על ההכוונה החשובה וההצעות המעמיקות לאורך כל המחקר הזה. אנו גם מעריכים את המשוב הבונה מחברים ועמיתים, שסייע מאוד לשפר את האיכות והבהירות של מאמר זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Hardhat (מסגרת פיתוח בלוקצ'יין)קסדת קשוחהv2.19.1https://hardhat.org
MetaMask (הרחבת ארנק)MetaMask v11.10.0https://metamask.io
Next.jsNext.jsv14.1.0https://nextjs.org
Node.jsNode.jsv20.11.1https://nodejs.org
NVIDIA RTX 3060NVIDIAhttps://www.nvidia.com/Intel Core i7-12700H
פינאטהPinata.cloudv2.1.0https://www.pinata.cloud
מדיניות הצמדהPinata.cloud—https://docs.pinata.cloud
תגובהתגובהv18.2.0https://react.dev
רמיקסרמיקסv0.31.0https://remix.ethereum.org
Solidity (שפת קומפיילר)Solidity v0.8.20https://soliditylang.org
אובונטו אובונטו   22.04 LTShttps://ubuntu.com

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Blockchain technology, bitcoin, and Ethereum: a brief overview. Vujičić, D., Jagodić, D., Ranđić, S. 2018 17th International Symposium INFOTEH-JAHORINA (INFOTEH), Sarajevo, Bosnia and Herzegovina, , (2018).
  2. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Utilization of decentralized finance (DeFi) and distributed ledger technology (DLT) in banking operations. 2024 International Conference on Intelligent Computing and Sustainable Innovations in Technology (IC-SIT), , (2024).
  3. Ante, L. The non-fungible token (NFT) market and its relationship with Bitcoin and Ethereum. FinTech. 1 (3), 216-224 (2022).
  4. Guan, M. Y., et al. From digital art to crypto art: the evolution of art brought by NFT. Int J Hum–Comput Interact. 41 (12), 7384-7403 (2025).
  5. Kumar, C. S., Padhy, A. B., Singh, A. P., Reddy, K. H. K. A dynamic trading approach based on Walrasian equilibrium in a blockchain-based NFT framework for sustainable waste management. Mathematics. 13 (3), 521(2025).
  6. Zhang, Q., Xiong, Z., Zhu, J., Gao, S., Yang, W. A privacy-preserving auction mechanism for learning model as an NFT in blockchain-driven metaverse. ACM Trans Multimed Comput Commun Appl. 20 (7), 1-24 (2024).
  7. Cornelius, K. Betraying blockchain: accountability, transparency and document standards for non-fungible tokens (NFTs). Information. 12 (9), 358(2021).
  8. NFT-enabled spectrum data sharing: a game theoretical approach. Sun, J., Wang, W., Cao, P., Shao, X., Lu, X. 2024 3rd International Joint Conference on Information and Communication Engineering (JCICE), Fuzhou, China, , (2024).
  9. Gao, Y., Xie, X., Ni, Y. Evolutionary game analysis of copyright protection for NFT digital works considering collusive behavior. Appl Sci. 13 (20), 11261(2023).
  10. Reconstitution of NFTs based on a game theory model. Shao, J., et al. Financial Cryptography and Data Security Workshops, , (2024).
  11. Iosif, E., Katelaris, L. Integrating machine learning with non-fungible tokens. Computers. 13 (6), 147(2024).
  12. Nadini, M., et al. Mapping the NFT revolution: market trends, trade networks and visual features. Sci Rep. 11 (1), 20902(2021).
  13. Seyhan, B., Sefer, E. NFT primary sale price and secondary sale prediction via deep learning. 4th ACM International Conference on AI in Finance, NY, USA, , (2023).
  14. Pala, M., Sefer, E. NFT price and sales characteristics prediction by transfer learning of visual attributes. Journal of Finance and Data Science. 10, 100148(2024).
  15. Rishiwal, V., et al. Blockchain-secure gaming environments: a comprehensive survey. IEEE Access. 12, 183466-183488 (2024).
  16. Poposki, Z. Crypto-aesthetics: towards a new materialist theory of NFT art. J Vis Art Pract. 23 (1), 1-18 (2024).
  17. Chu, W., et al. Game theory approach for secured supply chain management in effective trade management. Ann Oper Res. 329 (3), 301-319 (2024).
  18. Amirza, M. A., Ariffin, A. L. A. K., Razak, M. R. A. Revealing Malaysian NFT art: exploring opportunities and price dynamics. 2024 14th International Conference on System Engineering and Technology (ICSET), Indonesia, , (2024).
  19. Zarreh, M., Yaghoubi, S., Bahrami, H. Pricing of drinking water under dynamic supply and demand based on government role: a game-theoretic approach. Water Resour Manage. 38 (6), 2101-2133 (2024).
  20. Vasan, K., Janosov, M., Barabási, A. -L. Quantifying NFT-driven networks in crypto art. Sci Rep. 12 (1), 2769(2022).
  21. Game theory on the blockchain: a model for games with smart contracts. Hall-Andersen, M., Schwartzbach, N. I. SAGT 2021: 14th International Symposium on Algorithmic Game Theory, , (2021).
  22. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Optimized non-fungible tokens (NFT)-based auctions for digital art: a blockchain-enabled queueing model approach. Peer-to-Peer Netw Appl. 18, 297(2025).
  23. Sharma, A. K., Chaurasia, B. K. Blockchain-based NFT for evidence system. International Conference on Cryptology & Network Security with Machine Learning, , (2022).
  24. Afaq, Y., Manocha, A. Blockchain and deep learning integration for various applications: a review. J Comput Inf Syst. 64 (1), 92-105 (2024).
  25. Nwogugu, M. C. I. A game-theoretic modular framework for new consensus mechanisms in blockchains and AI. , (2025).
  26. Zerocash: decentralized anonymous payments from Bitcoin. Ben-Sasson, E., et al. 2014 IEEE Symposium on Security and Privacy, Berkeley, CA, USA, , (2014).
  27. Wang, J. A proof of contribution in blockchain using game theoretical deep learning model. arXiv. , (2024).
  28. Game theory in the gaming industry: the disruption of non-fungible tokens (NFTs) and blockchain technology. Teoh, B. AIP Conf Proc, 2608, (2023).
  29. Waheed, N., et al. Security and privacy in IoT using machine learning and blockchain: threats and countermeasures. ACM Comput Surv. 53 (6), 122(2020).
  30. Sufian, M. A. Developing Trading Strategies in Decentralized Market Prediction by Using AI, ML, and Blockchain Technology. Blockchain and AI. , CRC Press. Boca Raton. (2024).
  31. Nguyen, L. D., et al. A marketplace for trading AI models based on blockchain and incentives for IoT data. arXiv. , (2021).
  32. Xiong, W., Xiong, L. Smart contract-based data trading mode using blockchain and machine learning. IEEE Access. 7, 102331-102344 (2019).
  33. Rahman, M., et al. Peer-to-peer power energy trading in blockchain using efficient machine learning model. Sustainability. 15 (18), 13640(2023).
  34. Jamil, F., Iqbal, N., Ahmad, S., Kim, D. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid. IEEE Access. 9, 39193-39217 (2021).
  35. Luo, X., Mahdjoubi, L. Towards a blockchain and machine learning-based framework for decentralised energy management. Energy Build. 303, 113757(2024).
  36. Singh, K., Singha, N. Credit-based energy trading system using blockchain and machine learning. J Supercomput. 80 (11), 15386-15407 (2024).
  37. TokenFuse: a versatile NFT marketplace. Sree Kumar, C., et al. International Conference on Computational Science and Its Applications, Athens, Greece, , (2023).
  38. Van Haaften-Schick, L., Whitaker, A. From the artist’s contract to the blockchain ledger: new forms of artists’ funding using equity and resale royalties. J Cult Econ. 46 (2), 287-315 (2022).
  39. Kayikci, S., Khoshgoftaar, T. M. Blockchain meets machine learning: a survey. J Big Data. 11 (1), 9(2024).
  40. Li, C., Wang, H., Zhao, Y., Xi, Y., Xu, E., Wang, S. Enabling high-quality machine learning model trading on blockchain-based marketplace. Mathematics. 11 (12), 2636(2023).
  41. MetaDAG: bridging sustainable supply chains from BlockDAG to the metaverse through agent-based modeling. Fadili, M., Amar, A., Zine, R. Blockchain and Applications. 7th International Congress, , (2024).
  42. Krasheninnikova, E., García, J., Maestre, R., Fernández, F. Reinforcement learning for pricing strategy optimization in the insurance industry. Eng Appl Artif Intell. 80, 8-19 (2019).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Cooperative Game TheoryNFT TradingBlockchain ArtworkSmart ContractsPrice NegotiationReinforcement LearningRandom ForestK Means Clustering

מאמרים קשורים