Un framework di gioco cooperativo potenziato con apprendimento automatico per il trading di opere d'arte basate su blockchain e token non fungibili con dimostrazioni a conoscenza zero

Ch Sree Kumar; Akhilendra Pratap Singh

doi:10.3791/68889

È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

Un framework di gioco cooperativo potenziato con apprendimento automatico per il trading di opere d'arte basate su blockchain e token non fungibili con dimostrazioni a conoscenza zero

272 visualizzazioni

⸱

DOI:

10.3791/68889

⸱

13 marzo 2026

Ch Sree Kumar¹ , Akhilendra Pratap Singh¹

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

In questo articolo

Sommario

Questo studio migliora il trading di asset digitali basati su NFT negli ambienti di smart city integrando il ML in un framework CoGTT. Implementato utilizzando smart contract su una blockchain pubblica e supportato da prove di conoscenza zero, il framework migliora equità, adattabilità e trasparenza, raggiungendo un tasso di completamento delle operazioni dell'84% tenendo conto dei costi di esecuzione insiti nei sistemi decentralizzati.

Abstract

Nel contesto delle smart city, i Non-Fungible Token (NFT) stanno trasformando i mercati dell'arte digitale permettendo transazioni sicure e decentralizzate. Con la crescita del trading NFT, l'integrazione di intelligenza e adattabilità diventa fondamentale—rendendo essenziale l'integrazione del Machine Learning (ML). Tuttavia, i modelli esistenti, in particolare i framework Cooperative Game Theoretic Trading (CoGTT), sottoutilizzano il ML in tutte le fasi di trading. Le principali lacune includono una limitata adattabilità in tempo reale, strategie di negoziazione subottimali e un matchmaking inadeguato tra acquirenti e venditori. Questa ricerca colma queste lacune integrando il ML in un framework CoGTT a tre fasi—Naive Trading potenziato con ML, Min–Max Price Negotiation e Equilibrium-Based Trading—per migliorare il processo decisionale e la determinazione dei prezzi. La metodologia applica algoritmi di ML come alberi decisionali, clustering e reinforcement learning (Q-learning) all'interno di un ambiente pubblico di simulazione basato su blockchain utilizzando smart contract. La simulazione utilizza un dataset personalizzato che riflette sia le dinamiche di mercato sia la credibilità degli artisti. Il dataset è generato sinteticamente per emulare un mercato NFT mantenendo condizioni sperimentali controllate, il che può limitare l'applicabilità diretta a mercati reali volatili. Le dimostrazioni a conoscenza zero (ZKP) sono impiegate per preservare la privacy. Gli ZKP sono impiegati per preservare la privacy. Un'analisi comparativa dei modelli ML per la stima del prezzo degli NFT e le offerte strategiche dimostra l'efficacia della combinazione di algoritmi predittivi con l'apprendimento per rinforzo. I modelli di regressione lineare e foresta random stimano entrambi con precisione i prezzi degli NFT, con la foresta casuale che ottiene una maggiore accuratezza di previsione in tempo reale (R² = 0,9920). Il clustering K-Means segmenta efficacemente i partecipanti al mercato per supportare una negoziazione mirata, raggiungendo un punteggio silhouette di 0,8178. Integrare Q-learning con Random Forest consente strategie di offerta dinamiche che minimizzano il divario tra i prezzi consigliati e quelli reali. Il set di azioni discrete (diminuzione, resto, aumento) supporta aggiustamenti di offerta interpretabili in tempo reale. Questi risultati evidenziano il potenziale dei sistemi di trading NFT basati su ML per supportare mercati digitali scalabili e conformi alla privacy nelle smart city, allineando il comportamento commerciale alle esigenze del mercato attraverso processi automatizzati e basati sui dati.

Introduzione

La convergenza tra la tecnologia blockchain e i Token Non Fungibili (NFT) ha introdotto un modello trasformativo di proprietà e trading di asset digitali, in particolare nelle città intelligenti. In questo contesto, un Digital Artwork Trading Framework consente agli artisti di monetizzare le proprie creazioni e offre ai collezionisti una proprietà verificabile tramite infrastrutture decentralizzate. Questo si allinea bene con gli obiettivi delle città intelligenti come trasparenza, tracciabilità e automazione. Diversi fattori, come le elevate commissioni di transazione, l'interoperabilità limitata e l'applicazione inadeguata del copyr....