Research Article

Een machine learning augmented coöperatief game-framework voor blockchain en non-fungible token-gebaseerde kunsthandel met zero-knowledge bewijzen

DOI:

10.3791/68889

⸱

March 13th, 2026

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

In This Article

Summary

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

Deze studie verbetert NFT-gebaseerde digitale activahandel in slimme stadomgevingen door ML te integreren in een CoGTT-framework. Geïmplementeerd met behulp van smart contracts op een publieke blockchain en ondersteund door zero-knowledge proofs, verbetert het framework eerlijkheid, aanpassingsvermogen en transparantie, met een handelsvoltooiingspercentage van 84%, terwijl rekening wordt gehouden met uitvoeringskosten die inherent zijn aan gedecentraliseerde systemen.

Abstract

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

In de context van slimme steden transformeren Non-Fungible Tokens (NFT's) digitale kunstmarkten door veilige, gedecentraliseerde transacties mogelijk te maken. Naarmate NFT-handel groeit, wordt het integreren van intelligentie en aanpassingsvermogen cruciaal—waardoor integratie van Machine Learning (ML) essentieel is. Bestaande modellen, met name Cooperative Game Theoretic Trading (CoGTT) frameworks, maken echter weinig gebruik van ML in alle handelsfasen. Belangrijke tekortkomingen zijn onder andere beperkte realtime aanpassingsvermogen, suboptimale onderhandelingsstrategieën en onvoldoende matchmaking tussen koper en verkoper. Dit onderzoek pakt deze hiaten aan door ML te integreren in een driefasig CoGTT-framework—ML-augmented Naive Trading, Min–Max Price Negotiation en Equilibrium-Based Trading—om besluitvorming en prijsstelling te verbeteren. De methodologie past ML-algoritmen toe zoals beslissingsbomen, clustering en reinforcement learning (Q-learning) binnen een publieke, blockchain-gebaseerde simulatieomgeving met behulp van smart contracts. De simulatie gebruikt een aangepaste dataset die zowel marktdynamiek als de geloofwaardigheid van de kunstenaar weerspiegelt. De dataset wordt synthetisch gegenereerd om een NFT-marktplaats na te bootsen, terwijl gecontroleerde experimentele omstandigheden worden gehandhaafd, wat de directe toepasbaarheid op volatiele markten in de echte wereld kan beperken. Zero-knowledge proofs (ZKP's) worden gebruikt om privacy te waarborgen. ZKP's worden ingezet om privacy te waarborgen. Een vergelijkende analyse van ML-modellen voor NFT-prijsschatting en strategisch bieden toont de effectiviteit van het combineren van voorspellende algoritmen met reinforcement learning. Lineaire Regressie- en Random Forest-modellen schatten beide de NFT-prijzen nauwkeurig, waarbij Random Forest een hogere realtime voorspellingsnauwkeurigheid behaalt (R2 = 0,9920). K-Means clustering segmenteert marktdeelnemers effectief om gerichte onderhandelingen te ondersteunen, met een silhouetscore van 0,8178. Het integreren van Q-learning met Random Forest maakt dynamische biedstrategieën mogelijk die de kloof tussen aanbevolen en werkelijke prijzen minimaliseren. De discrete actieset (verlagen, blijven, verhogen) ondersteunt interpreteerbare, realtime biedaanpassingen. Deze bevindingen benadrukken het potentieel van ML-gedreven NFT-handelssystemen om schaalbare, privacy-conforme digitale marktplaatsen in slimme steden te ondersteunen, waarbij handelsgedrag via geautomatiseerde, datagedreven processen worden afgestemd op marktvragen.

Introduction

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

De convergentie van blockchaintechnologie en Non-Fungible Tokens (NFT's) heeft een transformerend model voor digitaal eigendom en handel in digitale activa geïntroduceerd, vooral binnen slimme steden. In deze omgeving stelt een Digital Artwork Trading Framework kunstenaars in staat hun creaties te gelde te maken en biedt het verzamelaars verifieerbaar eigendom via gedecentraliseerde infrastructuur. Dit sluit goed aan bij smart city-doelstellingen zoals transparantie, traceerbaarheid en automatisering. Verschillende factoren, zoals hoge transactiekosten, beperkte interoperabiliteit en onvoldoende handhaving van het auteursrecht, belemmeren de adoptie en schaalbaarheid van deze systemen.

Een groeiende hoeveelheid fundamenteel onderzoek onderzoekt deze kwesties vanuit meerdere invalshoeken. Vujicic et al.1 en Kumar et al.2 bieden technische overzichten van gedecentraliseerde financiering en innovatieve contractmechanismen die ten grondslag liggen aan NFT-handel. Ante et al.3 en Guan et al.4 onderzoeken het economische gedrag en de gebruikerservaringen van NFT-marktplaatsen, waarbij volatiliteit en strategisch gedrag onder belanghebbenden worden benadrukt. Toepassingen buiten digitale kunst—zoals afvalbeheer5, veilige AI-handel6 en juridische compliance7—tonen de veelzijdigheid en het groeiende nut van NFT-platforms in gedecentraliseerde ecosystemen aan.

Interdisciplinaire benaderingen zijn ook ontstaan om deze platforms te versterken. Speltheorie is gebruikt om incentivestructuren, eigendomsgeschillen en naleving van regelgeving aan te pakken, zoals blijkt uit werken van Sun et al.8, Gao et al.9 en Shao et al.10. Deze studies ontwerpen evenevenwichtsgebaseerde en strafgedreven modellen om eerlijk gedrag en efficiënte middelenallocatie te stimuleren. Tegelijkertijd worden machine learning (ML) technieken geïntroduceerd om fraudedetectie, prijsvoorspelling en contentwaardering in NFT-ecosystemen te verbeteren.11,12, waarbij datagedreven strategieën worden aangeboden om de handelsefficiëntie te optimaliseren 9,10. Recente studies zijn begonnen met het verkennen van NFT-prijsvoorspelling met behulp van deep learning en visuele functies. Seyhan en Sefer13 stelden een deep learning-model voor om zowel primaire als secundaire NFT-verkoopprijzen te voorspellen, waarmee een verbeterde nauwkeurigheid ten opzichte van basismodellen werd aangetoond. Evenzo maakten Pala en Sefer14 gebruik van transfer learning op afbeeldingsgebaseerde NFT-attributen om verkoopkenmerken te voorspellen, waarmee het belang van visuele kenmerken bij prijsbepaling wordt benadrukt. Deze werken vullen onze aanpak aan door de nadruk te leggen op alternatieve datamodaliteiten, terwijl ons kader machine learning integreert met speltheoretische onderhandeling voor dynamische en adaptieve handel.

Recente literatuur benadrukt de groeiende impact van blockchain- en NFT-technologieën op het veiligstellen van digitale ecosystemen en het herstructureren van marktdynamiek. Blockchain-integratie verbetert de beveiliging van activa, fraudebestendigheid en gedecentraliseerd eigendom in digitale platforms, met name in gaming- en virtuele economieën15. Tegelijkertijd onthullen NFT-gedreven crypto-esthetiek en gedecentraliseerde kunstmarkten complexe sociotechnische interacties die artistieke waarde, eigendom en culturele productiehervormen 16, terwijl empirische studies aantonen dat NFT-prijzen voornamelijk worden bepaald door schaarste, reputatie van makers en marktdynamiek18. Kwantitatieve en netwerkgebaseerde analyses tonen verder aan dat strategische optimalisatie en gestructureerde interactienetwerken een significante invloed hebben op economische uitkomsten, stabiliteit en succespatronen in gedecentraliseerde markten en aanverwante systemen19,20.

Ondanks deze vooruitgang blijven huidige NFT-handelsraamwerken — met name die gebaseerd op Cooperative Game Theoretic Trading (CoGTT) — beperkt in aanpassingsvermogen en besluitvormingsmogelijkheden. Figuur 1 toont het architectuurdiagram van het voorgestelde ML augmented cooperative game theoretic trading (CoGTT) framework. Bestaande modellen zijn overwegend statisch en vertrouwen vaak op heuristische of regelgebaseerde strategieën die geen rekening houden met complexe, dynamische marktomstandigheden en gebruikersgedrag. Dit resulteert in inefficiënte transacties, slechte prijsstrategieën en beperkte eerlijkheid van transacties.

Dit onderzoek stelt een Machine Learning–Augmented CoGTT Framework voor voor gedecentraliseerde digitale activahandelsplatforms om deze beperkingen aan te pakken. Het raamwerk is gestructureerd in drie progressieve fasen—ML-augmented Naive Trading, Min-Max Price Negotiation en Equilibrium-Based Trading—en maakt gebruik van supervised, unsupervised en reinforcement learning-technieken om marktanalyse, strategische onderhandeling en evenwichtsontdekking te verbeteren. Specifiek worden classificatiemodellen (bijv. Decision Trees), clustering-algoritmen (bijv. K-Means) en dynamische leermethoden (bijv. Q-learning) gebruikt om handelsmatching, prijsstelling en onderhandelingsstrategie te optimaliseren.

Deze ML-augmented architectuur wordt geïmplementeerd via het door slimme contracten ondersteunde blockchainplatform (hier de Ethereum-blockchain), waardoor gedecentraliseerde, transparante en autonome transacties worden uitgevoerd. Om gebruikersgegevens te beschermen en vertrouwelijkheid te waarborgen, zijn ZKP's geïntegreerd, waardoor transacties cryptografisch veilig kunnen worden gevalideerd zonder gevoelige informatie prijs te geven. ML-gedreven inzichten beïnvloeden direct de logica van slimme contracten, waarbij voorspelde prijzen en adaptieve drempels worden ingebed die reageren op realtime marktdynamiek.

Samenvattend introduceert deze studie een schaalbaar, privacybehoudend en intelligent handelsframework dat wordt ingezet op een publieke blockchain met een gaskosten en implementatiekostenberekening in Tabel 1 , dat de efficiëntie (zoals weergegeven in Tabel 2 en Tabel 3), betrouwbaarheid en aanpassingsvermogen van NFT-handelssystemen aanzienlijk verbetert. Door machine learning nauw te integreren met speltheoretische logica en blockchain-infrastructuur, sluit de voorgestelde oplossing aan bij de doelstellingen van slimme steden—het leveren van een veilig, eerlijk en gebruikersinclusief platform voor digitale activa-uitwisseling.

Deze studie stelt een hybride raamwerk voor dat machine learning integreert met coöperatieve game-theoretic trading (CoGTT) ter ondersteuning van prijsstelling, onderhandeling en besluitvorming in NFT-gebaseerde digitale kunstmarkten. Voorspellende modellen worden gecombineerd met smart contracts om procesautomatisering, eerlijkheid en veiligheid in handelsomgevingen te verbeteren. Om aan privacy- en nalevingsvereisten te voldoen, worden ZKP's gebruikt voor prijsmatching, eigendomsvalidatie en authenticiteitsverificatie. Het framework hanteert een driefasenstructuur, bestaande uit machine learning-ondersteund naïef handelen, min-max prijsonderhandeling en evenwichtsgebaseerde handel, en biedt een gecoördineerde aanpak voor schaalbare NFT-marktplaatsoperaties.

De vergelijkende analyse in Tabel 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38 benadrukt de integratie van blockchain, NFT's, machine learning en speltheoretische modellen over gedecentraliseerde domeinen zoals digitale markten, IoT-beveiliging en energiesystemen. Eerdere studies tonen aan dat het combineren van geavanceerde leermodellen en blockchainmechanismen de prijsnauwkeurigheid, veiligheid, transparantie en evenwichtsoptimalisatie verbetert. Empirisch en analytisch bewijs wijst op verbeteringen in efficiëntie, fraudebeperking, kostenreductie en eerlijke incentive-toewijzing via hybride ML–blockchain-kaders.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Het raamwerk voor blockchain-gebaseerde NFT-kunsthandel is gestructureerd als een meerlaags protocol dat smart contracts, privacybehoudende mechanismen, game-theoretische modellering, machine learning-algoritmen, reinforcement learning en gaskostenevaluatie integreert binnen een uniforme architectuur.

Het proces begint met de ontwikkeling van smart contracts die kernfuncties definiëren zoals participatieregistratie, assetlisting, order-indiening en transactie-uitvoering. Deze contracten maken het mogelijk om gebruikers te integreren, asset registration en veilige orderafhandeling te maken. Om correctheid en efficiëntie te beoordelen, werd contractlogica getest en werden uitvoeringskosten geregistreerd onder verschillende transactiesnelheidsinstellingen.

ZKP's worden geïntegreerd om de authenticiteit van kunstwerken te valideren zonder gevoelige details prijs te geven. Elke transactie ondergaat dubbele verificatie via on-chain controles en ZKP-validatie, wat vertrouwelijkheid en gegevensintegriteit waarborgt. Het modulaire ZKP-ontwerp functioneert onafhankelijk van de hoofd smart contracts, waardoor integratie en ondersteuning van implementatie op grote schaal mogelijk is. Bewijsgeneratie en verificatielatentie werden geëvalueerd om de haalbaarheid te beoordelen.

Een webgebaseerde interface werd geïmplementeerd met behulp van een algemeen framework. De interface bevat modules zoals een landingspagina, een artiestendashboard en een handelsplatform. Wallet-gebaseerde authenticatie maakt transactieondertekening mogelijk, terwijl upload- en mintingfunctionaliteiten kunstenaars in staat stellen digitale werken te tokeniseren.

Op marktontwerpniveau maakt het Cooperative Game-Theoretic Trading (CoGTT) model gebruik van een gestructureerd onderhandelingsmechanisme in drie fasen. De eerste fase past directe prijsmatching toe op basis van ingediende biedingen en vraet. Niet-gematchte deelnemers gaan door naar de tweede fase, die gebruikmaakt van onderhandelde min–max prijsstrategieën, inclusief methoden voor waarderingen van het middenpunt. Als er geen overeenkomst wordt bereikt, gaan de transacties door naar de derde fase, waarin Nash-evenwichtsprincipes worden toegepast en iteratieve onderhandelingen doorgaan totdat evenwicht-convergente prijzen zijn bereikt. Deze fasen worden geïmplementeerd als modulaire algoritmen: naïeve matching (Algoritme 1), midpoint brokering (Algoritme 2), Nash-evenwichtshandel (Algoritme 3) en een geïntegreerde workflow (Algoritme 4).

Machine learning-modellen zijn geïntegreerd in het handelsproces voor besluitvormingsondersteuning. Marktkenmerken zoals biedingen, laatsignalen, handelsvolume, historische prijsgegevens en reputatiescores worden gebruikt voor voorspellende modellering. Lineaire regressie (algoritme 5) schat eerlijke prijzen, waarbij prestaties worden geëvalueerd met gemiddelde kwadratische fout (MSE). K-Means clustering (Algoritme 6), ondersteund door feature-normalisatie en PCA-gebaseerde dimensionaliteitsreductie, segmenteert gebruikers in clusters, beoordeeld aan de hand van de silhouetscore. Random Forest (Algoritme 7) biedt aanvullende prijsvoorspellingen, gevalideerd via zowel MSE als R2. Een integratief algoritme (Algoritme 8) combineert regressie, clustering en Random Forest-uitkomsten tot een dynamische beslissingsstroom voor adaptief handelen.

Reinforcement learning via Q-learning wordt toegepast om biedstrategieën te optimaliseren. De toestandsruimte wordt gedefinieerd door de huidige prijsniveaus en biedwaarden, terwijl acties onder andere increment, decrement of behoud omvatten. Een Q-agent wordt getraind met feedback uit voorspellingen van Random Forest, waarbij beleidsmaatregelen worden geleerd die prijsfouten verminderen en het nut van deelnemers vergroten. Simulaties worden uitgevoerd totdat convergentie is bereikt met evenwichts-uitgelijnde beleidslijnen, en de output wordt gevalideerd in gesimuleerde handelsomgevingen.

Het gasverbruik voor elke contractfunctie wordt systematisch geregistreerd, waarbij transactiekosten worden berekend onder verschillende snelheidsinstellingen. Zo verbruikte de registerArtist()-functie 90.123 gaseenheden, met bijbehorende kosten vergeleken met marktprijzen van ETH. Deze evaluaties identificeren afwegingen tussen kosten en uitvoeringsefficiëntie.

De prestaties van het kader werden beoordeeld met behulp van meerdere meetmethoden. Lineaire regressie bereikte een MSE van 4,54 × 10⁻28, terwijl K-Means clustering een silhouetscore van 0,8178 opleverde. Random Forest leverde een MSE van 0,1311 op met eenR2 van 0,9920. Q-learning outputs werden geëvalueerd op convergentie en evenwichtsuitlijning onder verschillende prijsvoorwaarden. Deze resultaten wijzen op de haalbaarheid van de voorgestelde aanpak ter ondersteuning van NFT-kunstwerkhandel onder blockchain-gebaseerde marktomstandigheden.

Voorgesteld coöperatief gametheoretisch handelskader (CoGTT) voor digitale kunsthandel

Het innovatieve hybride benadering van coöperatieve gametheoretische handel (CoGTT) combineert een speltheoretische NFT-handelsaanpak met extra prijsmechanismen en Nash-evenwicht om de efficiëntie en coördinatie van NFT-markten te verbeteren. De voorgestelde aanpak is gebaseerd op een blockchainplatform dat via slimme contracten wordt ondersteund. De aanpak maakt gebruik van geavanceerde cryptografische technieken en ZKP's om veilige en private transactieverificatie te waarborgen. ZKP's maken het mogelijk om eigendoms- en transactiegegevens te valideren zonder gevoelige informatie over kopers of verkopers bekend te maken.

Deze voorgestelde aanpak introduceert strategische interacties tussen makers, kopers en tussentijdse makelaars binnen een gedecentraliseerde marktplaats. Dit model heeft als doel handelsresultaten te optimaliseren, waarbij de prikkels voor alle deelnemers worden afgewogen en rekening wordt gehouden met concurrentie- en samenwerkingsdynamiek. Hoewel het voorgestelde kader zich voornamelijk richt op naïeve bied-laat-matching, midpoint-gebaseerde onderhandeling en Nash-evenwichtsgebaseerde afwikkeling, bestaan er andere methoden zoals second-price veilingen die relevant blijven op NFT-markten. Bij de handel in digitale kunstwerken bepaalt de veilingmeester de transactieprijs met behulp van de volgende methoden:

Consumentenbiedprijs: De prijs wordt direct vastgesteld op basis van het hoogste bod van de koper. Deze methode weerspiegelt de maximale waarde die de koper voor het kunstwerk betaalt, wat competitieve biedingen bevordert.

Gemiddelde prijsmethode: De prijs wordt berekend als het midden tussen het aangeboden bedrag van de koper en de vraagprijs van de verkoper, waardoor een evenwicht ontstaat. Deze evenwichtsprijsberekening:

Evenwicht (EPrice) = DArtAPrice + DArtBPrice

Deze aanpak is gericht op een balans tussen de belangen van zowel koper als verkoper, wat leidt tot een eerlijke en wederzijds aanvaardbare transactie. Deze methoden bieden flexibiliteit in prijsstrategieën, waarbij ze inspelen op diverse voorkeuren en marktdynamiek in het ecosysteem van digitale kunsthandel.

3-fasen, speltheoretisch gebaseerd coöperatief handelsmodel

Deze sectie introduceert een innovatieve, driefasige, op speltheorie gebaseerde coöperatieve handelsmethode, speciaal ontworpen voor digitale kunstwerken. De aanpak past zowel bied- als vraagprijzen dynamisch aan om de handelsefficiëntie en eerlijkheid te optimaliseren, zoals weergegeven in Tabel 2 en Tabel 3, gefaciliteerd door een makelaar. Het doel is eerlijkheid, efficiëntie en winstgevendheid in gedecentraliseerde NFT-markten te verbeteren, waarbij een balans wordt gevonden tussen de belangen van makers en kopers van kunstwerken. Figuur 2 illustreert het voorgestelde 3-fasen handelssysteemmodel voor digitale kunstwerken, met het gedetailleerde algoritme dat in Algoritme 4 wordt aangeboden. Het voorgestelde CoGTT-framework voltooit efficiënt het handelsproces van digitale kunstwerken in drie fasen: a) Naïef handelen gebaseerd op vraag- en biedprijzen, b) Handelen op basis van de Negotiated Min-Max Prijs, en c) Handelen met de Nash Equilibrium-methode. In de eerste fase wordt naïef handelen gestart op basis van de initiële informatie van makers en kopers. De tweede fase omvat handel op basis van de onderhandelde min-max prijzen tussen verkopers en kopers voor de resterende niet-verhandelde verzoeken. Ten slotte maakt de derde fase gebruik van de Nash Equilibrium-methode om het handelsproces af te ronden.

Eerste fase - Naïef handelen op vraag- en biedprijs:

In de eerste fase worden makers van digitale kunstwerken (aanbieders) georganiseerd in oplopende volgorde op basis van hun vraagprijzen en hun minimale verkoopprijzen. Op dezelfde manier worden kopers (consumenten) in oplopende volgorde gerangschikt volgens hun ingediende biedprijzen, samen met hun maximale biedprijzen. De minimale vraagprijs van makers en de maximale biedprijs van kopers worden vertrouwelijk behandeld. Vervolgens wordt een coöperatieve aanpak toegepast om kopers en makers te matchen, waardoor de toewijzing van kunstwerken mogelijk wordt gemaakt waarbij de biedprijzen van de kopers overeenkomen met de vraagprijzen van de makers. Deze toewijzing kan één maker of meerdere makers omvatten, zolang de gecombineerde vraagprijzen binnen het bod van de koper vallen. Kopers die in deze fase geen kunstwerken kunnen bemachtigen vanwege prijsbeperkingen, gaan door naar de tweede fase. De details van de handelsaanpak worden uiteengezet in Algoritme 1.

Tweede fase - Handelen op de onderhandelde min-max prijs

In de tweede fase worden de verzoeken van niet-geëvenaarde kopers gericht om het handelsproces te voltooien, waarbij gebruik wordt gemaakt van de minimale vraagprijzen van digitale kunstmakers en de maximale biedprijzen van kopers. De handelsaanpak maakt gebruik van verschillende methoden, waaronder Middle Value, Intraday Mid Point Value en Market Equilibrium, om een midpointwaarde te bepalen die de handelsefficiëntie verbetert. De details van deze middelpuntbenaderingen worden besproken in de volgende subsecties. De details van de handelsaanpak worden gegeven in Algoritme 2.

Middenwaarde: Een bemiddelingsbenadering die wordt toegepast om de middenwaarde tussen makers en kopers te vinden met een eenvoudige middenwaarde-aanpak. Als bijvoorbeeld de biedprijs voor een digitaal kunstwerk 50 is en de vraagprijs 52, dan kan de middenwaarde worden bepaald door het gemiddelde van de bied- en laatprijzen te nemen.

figure-protocol-1

Intraday mid point waarde: De incorporated brokering-benadering markeert de minimale handelsprijs van hetzelfde type kunst, ook de maximale prijs van hetzelfde type kunst, en gebruikt de volgende formule om de middenwaarde te berekenen: (Huidige hoogte van de dag + Huidige dieptepunt van de dag)/2. Deze middenwaarde wordt vastgesteld als de handelstransactieprijs als de middenwaarde hoger is dan de minimale vraagprijs van de kunstmaker en lager dan de maximale biedprijs van de koper.

Marktevenwicht: De middenprijs is een belangrijke indicator van marktevenwicht. Het weerspiegelt de prijs waarop de kunstmaker (vraagprijs) en koper (biedingsprijs) voor een activum op één lijn staan. Deze waarde wordt berekend door het gemiddelde van de hoogste biedprijs en de laagste vraagprijs te nemen, waardoor handelaren een eerlijke weergave krijgen van de huidige marktwaarde, onbeïnvloed door extreme bied- of laatprijzen. De formule wordt gepresenteerd in de volgende 3 vergelijkingen.

 figure-protocol-2

figure-protocol-3

figure-protocol-4

Derde fase - Handelen volgens de Nash-evenwichtsmethode

In de derde stap wordt de uitgebreide informatie van de overgebleven niet-verhandelde verzoeken, zoals de minimale vraagprijs van de maker en de maximale biedprijs van de koper, aan beide partijen onthuld, zodat ze een evenwichtspunt zouden bereiken waarbij de biedprijs van de koper zo hoog is als hij bereid is te gaan en de laatprijs van de maker zo laag is als hij wil accepteren. De details van de handelsaanpak worden gepresenteerd in Algoritme 3.

In de eerste en tweede fase van het kader worden vertrouwelijkheid en stimulansafstemming ingezet om strategische verkeerde prijsrapportage te ontmoedigen. De maximale bereidheid van kopers om te betalen en de minimaal acceptabele prijzen van makers worden tijdens de toewijzing als vertrouwelijke waarden gehandhaafd, waardoor de mogelijkheden voor manipulatie door onderrapportage of overstatement worden beperkt. Omdat matchingbeslissingen gebaseerd zijn op ranges (minimale laatprijs en maximale bied) in plaats van expliciete openbaarmakingen, vergroten pogingen om prijzen verkeerd te rapporteren de kans op uitsluiting van Fase 1 of Fase 2, waardoor handelskansen worden verminderd. Bovendien gaat het protocol over naar een derde fase gebaseerd op het Nash-evenwicht wanneer eerdere transacties niet succesvol zijn. In deze fase leiden iteratieve aanpassingen tot convergentie van uitkomsten die de werkelijke waarderingen van de deelnemers nauwkeuriger weergeven. Deze ontwikkeling ontmoedigt verkeerde rapportage in de vroege fasen, aangezien mislukte pogingen tot manipulatie de uitvoering alleen maar uitstellen en uiteindelijk een waarheidsgetrouwe onthulling van waarderingen noodzakelijk maken voor succesvolle handelsafronding.

De output van de machine learning (ML) algoritmen worden niet behandeld als geïsoleerde voorspellingen, maar zijn actief ingebed in het driefasige coöperatieve game-theoretic trading (CoGTT) kader om prijsstelling, onderhandeling en evenwichtsontdekking te sturen. De verbindingen worden nu als volgt beschreven:

Fase 1 - Naïeve handel met lineaire regressie: Het lineaire regressiemodel genereert een eerlijke prijsbenchmark door de bied- en laatkenmerken te middelen, tegenover historische trends. Deze voorspelde eerlijke prijs wordt vervolgens vergeleken met zowel het door de koper ingediende bod als de vraagprijs van de maker. Als een van beide partijen een waarde rapporteert die aanzienlijk afwijkt van de voorspelde eerlijke prijs, wordt de toewijzing gedeprioriteerd, waardoor de prikkel voor verkeerde rapportage afneemt. De regressie-output fungeert dus als een filtermechanisme dat bepaalt welke transacties als levensvatbaar worden beschouwd voor directe allocatie.

Fase 2 - Min-max onderhandeling met random forest: Het random forest-model verfijnt de dynamische prijsinschatting door bied-laatspreads, handelsvolume en reputatiescores mee te nemen. Deze voorspellingen worden direct gebruikt om onderhandelingsmethoden op basis van middenpunten te kalibreren (Middle Value, Intraday Mid-Point, Market Equilibrium). Wanneer bijvoorbeeld een middenpuntprijs wordt berekend, wordt de voorspelling van het willekeurige bos toegepast als corrigerende factor om ervoor te zorgen dat de onderhandelde waarde consistent is met het marktgedrag. Deze integratie zorgt ervoor dat brokering-uitkomsten verankerd zijn in geleerde marktpatronen in plaats van willekeurige rekenkundige middenpunten.

Fase 3 - Evenwichtsgebaseerde handel met K-means clustering: In deze fase worden kopers en verkopers eerst gesegmenteerd in clusters op basis van gedragskenmerken (bied/koop-agressie, reputatie, historische activiteit). Deze segmentatie zorgt ervoor dat onderhandelingen richting evenwicht plaatsvinden tussen vergelijkbare deelnemers, wat volatiliteit vermindert en de eerlijkheid verbetert. De clustertoewijzingen dienen daarmee als groepsniveau-beperkingen over wiens prijzen kunnen worden beschouwd bij evenwichtsontdekking.

Integratie van versterkingsleren (Q-learning): Q-leren bouwt voort op de voorspellingen van het random forest om dynamische biedstrategieën te optimaliseren. Elke keer dat de agent een bod aanpast (verlaag, vasthouden of verhogen), wordt het beloningssignaal berekend ten opzichte van de door het Random Forest voorspelde eerlijke prijs. Gedurende meerdere afleveringen leert de Q-agent beleidslijnen die prijsfouten minimaliseren en het nut maximaliseren, en deze beleidsregels worden direct ingevoerd in Fase 3 evenwichtshandel. In de praktijk betekent dit dat de biedaanpassingen van kopers tijdens het vinden van het evenwicht worden geïnformeerd door strategieën die zijn geoptimaliseerd en gevalideerd tijdens trainingssimulaties.

Samen tonen deze mechanismen aan dat de ML-uitgangen fungeren als beslissingsondersteunende motoren die nauw verbonden zijn met de CoGTT-fasen. Lineaire regressie dwingt realistische initiële toewijzingen af, onderhandelingen op willekeurige bosgronden in empirisch marktgedrag, clustering structuren het evenwichtsproces, en versterkingsleren stimuleert het verfijnen van adaptieve strategieën. Door algoritmische voorspellingen expliciet te koppelen aan operationele beslissingspunten, zorgt het kader ervoor dat handel niet alleen geautomatiseerd is, maar ook wordt geïnformeerd door marktadaptieve intelligentie.

Datasets, functies en reproduceerbaarheidsraamwerk

Datasetdefinitie en motivatie

NFT- en digitale activahandelsomgevingen worden gekenmerkt door meerdere markt- en deelnemerattributen, waaronder de biedprijs van de koper, de laatprijs van de verkoper, de historische transactieprijs, het transactievolume en de reputatie van de deelnemer. Omdat geen enkele openbaar beschikbare NFT-dataset al deze eigenschappen tegelijk biedt, gebruikt deze studie synthetisch gegenereerde datasets om gecontroleerde protocolvalidatie mogelijk te maken, terwijl realistisch marktgedrag behouden blijft. De groottes van de datasets variëren van 100 tot 1000 transacties, afhankelijk van het experimentele scenario en de modelvereisten.

Elke datasetrecord bestaat uit de volgende velden: Bied, Laat, Historische Prijs, Volume, Reputatie en Eerlijke Prijs, waarbij de eerlijke prijs wordt gedefinieerd als het rekenkundige gemiddelde van de bied- en laatwaarden.

Proces van synthetische datageneratie:

Kopersbiedingen worden gesampled uit begrensde uniforme verdelingen, met behulp van bereiken zoals [90, 110] voor kleinschalige experimenten en [100, 1000] voor grootschalige simulaties. Verkoopprijs-laatprijzen worden gegenereerd door een positieve stochastische offset toe te voegen aan de overeenkomstige biedingen, waarmee realistische bied-laatverschillen worden gemodelleerd. Historische prijzen worden getrokken uit normale verdelingen die gecentreerd zijn op biedwaarden met additieve ruis om marktvolatiliteit te simuleren. Transactievolumes worden gegenereerd als gehele waarden binnen vooraf gedefinieerde bereiken (bijv. [1, 10] of [100, 1000]), terwijl reputatiescores van deelnemers worden gesampled uit uniforme verdelingen in [0, 1] (genormaliseerde vertrouwensscores) of [0, 5] (sterbeoordelingsrepresentatie). Alle experimenten gebruiken vaste willekeurige seeds (numpy.random.seed(42)) om deterministische en herhaalbare reconstructie van datasets te waarborgen.

Dataschema, opslag en toegang

Alle datasets worden opgeslagen in CSV-formaat met een vast schema van zes kolommen: (bied, vraag, historical_price, volume, reputatie, fair_price). Elk CSV-bestand bevat doorgaans ongeveer 1.000 records, tenzij anders vermeld. Voor gedecentraliseerde reproduceerbaarheid worden datasetbestanden geüpload naar IPFS, en worden de bijbehorende content identifiers (CID's) samen met smart contract-adressen in configuratiebestanden geregistreerd. Dit ontwerp maakt onafhankelijke opvraging van identieke datasets mogelijk zonder afhankelijk te zijn van gecentraliseerde opslag.

Voorbereiding en splitsing van datasets

Datasets worden opgesplitst in trainings- en testsubsets met behulp van een 80/20 train–test-splitsing, geïmplementeerd via train_test_split met random_state=42. Vijfvoudige kruisvalidatie wordt toegepast tijdens Random Forest hyperparameter-tuning, terwijl feature scaling met StandardScaler() wordt toegepast waar nodig, vooral voor clustering en PCA-gebaseerde workflows.

Machine learning-modellen en parameterisatie

Alle machine learning-modellen worden geïmplementeerd met bestaande bibliotheken met vaste configuraties om reproduceerbaarheid te waarborgen. Een volledige samenvatting van parameters en waarden wordt gegeven in de bijgevoegde tabel. Lineaire regressie (LR) maakt gebruik van een least-squares schatter met bied, laat, historische prijs, volume en reputatie als inputs en eerlijke prijs als streefvariabele. De prestaties worden geëvalueerd met behulp van Mean Squared Error (MSE). K-Means Clustering wordt toegepast op geschaalde feature-subsets, optioneel verminderd met behulp van Principal Component Analysis (PCA), waarbij twee componenten meer dan 90% variatie vastleggen. Het aantal clusters wordt geselecteerd in het bereik 2–3 met behulp van elleboog- en silhouetcriteria. Random Forest Regresion (RF) wordt gebruikt voor niet-lineaire prijsschatting met 100–200 bomen, diepte- en splitparameters afgestemd via vijfvoudige kruisvalidatie. De modelprestaties worden geëvalueerd met behulp van MSE en R2. Q-Learning wordt geïmplementeerd als een tabelvormige versterkingsleermethode met 31 gediscretiseerde prijstoestanden, drie biedaanpassingsacties en vaste leerparameters (α = 0,1, γ = 0,9, ε = 0,1). Convergentie wordt beoordeeld door het stabiliseren van episodische beloningen. Computationeel worden lineaire regressie en K-means in seconden voltooid voor datasets tot 103 samples, vereist training van Random Forest seconden tot minuten afhankelijk van de schaal, en Q-learning convergeert efficiënt dankzij de laagdimensionale toestandsruimte.

Blockchain-uitvoering, privacy en kostenlogging

Implementatie en uitvoering van slimme contracten

Smart contracts die de handelslogica coderen, worden geschreven in Solidity (pragma ^0.8.20) met compileroptimalisatie ingeschakeld (200 runs) en worden uitgerold op het Sepolia-testnetwerk met behulp van gestandaardiseerde ontwikkelframeworks. Wallet-gebaseerde transactieondertekening wordt uitgevoerd via een browser-wallet die verbonden is via een RPC-endpoint. Gasgebruik voor contractimplementatie en transactiefuncties wordt automatisch geregistreerd, en de uitvoeringskosten worden berekend met gelijktijdige ETH/USD-conversietarieven.

Zero-knowledge bewijsintegratie

Privacybehoudende verificatie wordt geïmplementeerd via een ZK-SNARK-pijplijn, inclusief circuitcompilatie, vertrouwde opstelling, bewijsgeneratie en on-chain verificatie. Bewijsstukken worden off-chain gegenereerd en on-chain geverifieerd met behulp van een speciaal verifiercontract dat samen met het hoofdhandelscontract wordt geïnstalleerd, waardoor eigendom en transactiecorrectheid worden gevalideerd zonder gevoelige deelnemersgegevens te onthullen.

Softwareomgeving en uitvoeringsworkflow

Alle experimenten worden uitgevoerd op een 64-bits Linux-systeem met een vaste hardwareconfiguratie. Machine learning-workflows worden uitgevoerd in een Python-omgeving, terwijl blockchainontwikkeling en front-end interactie afhankelijk zijn van een JavaScript-gebaseerde stack met vaste frameworkversies. Front-end applicaties worden gebouwd en bediend met een pakketbeheerder, smart contracts worden gecompileerd en geïmplementeerd met gestandaardiseerde ontwikkelframeworks, en ZKP-verificatie is geïntegreerd in de transactie-uitvoeringsflow.

Exacte softwareversies, compiler-vlaggen, walletconfiguraties, IPFS-pinningsbeleid, uitvoeringscommando's en voorbeeld-CID's worden gedocumenteerd in het reproduceerbaarheidsbestand om onafhankelijke replicatie te vergemakkelijken.

Operationele resultaten en voltooiingspercentages

De robuustheid van het geïmplementeerde protocol wordt weerspiegeld in de uitvoeringsstatistieken. Kernfuncties van smart contracts behalen hoge voltooiingspercentages, met een algemeen succespercentage van 84% over alle transactionele activiteiten. Gedetailleerde uitvoeringstellingen en voltooiingspercentages op functieniveau worden gerapporteerd in de bijbehorende resultatentabel.

Algoritmen

Deze sectie introduceert een driefasig coöperatief speltheoretisch digitaal kunstwerk handelssysteem, waarbij een makelaar wordt ingezet om beschikbare kunstwerken en hun vraagprijzen van makers te verzamelen, evenals de benodigde eenheden en biedprijzen van gebruikers. Op basis van de voorgestelde aanpak faciliteert de makelaar vervolgens transacties tussen makers en gebruikers. Het handelsproces verloopt in drie verschillende fasen: In de eerste fase wordt een naïef handelsalgoritme toegepast op de vraag- en biedprijzen, zoals beschreven in Algoritme 1. De tweede fase introduceert een min-max prijsonderhandelingsalgoritme, gepresenteerd in Algoritme 2. Ten slotte maakt de derde fase gebruik van een op Nash Equilibrium gebaseerd handelsalgoritme, beschreven in Algoritme 3, en Algoritme 4 integreert alle drie de algoritmen in de uitgebreide driefasige coöperatieve speltheoretische digitale kunstwerkhandelsbenadering. Algoritme 5 toont de lineaire regressie voor eerlijke prijsvoorspelling. Algoritme 6 toont de K-Means clustering voor Koper/Verkoper-groepering. Algoritme 7 toont Random Forest voor prijsvoorspelling in real-time onderhandeling. Algoritme 8 toont de flow van het op machine learning gebaseerde NFT Trading Algorithm. De algoritmes 5–8 maken deel uit van algoritme 8.

Het voorgestelde kader implementeert een driefasig Cooperative Game Theoretic Trading (CoGTT)-mechanisme om systematisch NFT-gebaseerde digitale kunstwerktransacties te verwerken. In de eerste fase wordt naïef handelen uitgevoerd met directe bied-laat-matching, zoals geformaliseerd in Algoritme 1. Kopers worden geordend door dalende biedprijzen en verkopers door stijgende vraagprijzen, waardoor een sequentiële toewijzing van kunstwerken binnen de budgetbeperkingen van de koper mogelijk wordt. Kopers die in deze fase geen transactie kunnen afronden, worden doorgestuurd naar de tweede fase, waar onderhandelde min-max prijsstelling wordt toegepast met Algoritme 2. Deze fase berekent een middenprijs tussen de minimale vraagprijs van de verkoper en de maximale biedprijs van de koper, die verder wordt aangepast met behulp van marktvraag- en realtime handelsindicatoren. Een transactie wordt alleen uitgevoerd als de onderhandelde prijs binnen het toegestane bied-laatbereik blijft. Voor transacties die nog niet zijn opgelost, gaat het kader over naar de derde fase, waarbij handel gebaseerd op Nash-evenwicht wordt toegepast met behulp van Algoritme 3. Hier convergeren iteratieve prijsaanpassingen op basis van deelnemende nutsbedrijven naar een stabiele evenwichtsprijs, wat zorgt voor een rationele afwikkeling. Deze drie fasen worden georkestreerd binnen een uniforme beslissingsworkflow gedefinieerd in Algoritme 4, dat directe matching, bemiddeling en evenwichtsresolutie integreert in één handelspijplijn.

Om prijsnauwkeurigheid, aanpasbaarheid en strategische besluitvorming te verbeteren, wordt het CoGTT-framework uitgebreid met meerdere machine learning-modellen. Algoritme 5 past lineaire regressie toe om een basislijn eerlijke prijs te schatten met behulp van waarneembare marktkenmerken, en dient als een interpreteerbaar filtermechanisme tijdens de initiële handelsevaluatie. Voor realtime onderhandeling gebruikt Algoritme 7 een Random Forest-regressor om niet-lineaire prijspatronen vast te leggen die beïnvloed zijn door bied-laatspreads, historische prijzen, volume en reputatie van de deelnemer. Het gedrag van deelnemers wordt verder gestructureerd met behulp van Algoritme 6, dat K-Means clustering met PCA-gebaseerde dimensionaliteitsreductie toepast op groepskopers en verkopers in gedragsmatig vergelijkbare clusters, wat de stabiliteit tijdens evenwichtsonderhandelingen verbetert. Deze modellen zijn geïntegreerd in een uniforme, door ML gedreven handelsworkflow zoals beschreven in Algoritme 8, waarbij lineaire regressie Fase 1-filtering ondersteunt, Random Forest de onderhandelingsprijzen van Fase 2 verfijnt, clustering de groepering van deelnemers in Fase 3 informeert, en reinforcement learning biedaanpassingen optimaliseert richting het Nash-evenwicht. Samen zorgen deze algoritmen ervoor dat het voorgestelde framework niet alleen theoretisch onderbouwd is, maar ook adaptief, datagedreven en geschikt voor dynamische NFT-marktplaatsen. Alle algoritmen staan vermeld in Aanvullend Bestand 1.

Access restricted. Please log in or start a trial to view this content.

Results

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

De voorgestelde blockchain-gebaseerde aanpak voor digitale kunsthandel maakt gebruik van ZKP's. Elke handelsmethode is samengevat in een smart contract, met essentiële functionaliteiten—zoals registratie van kunstwerkmakers, gebruikersregistratie en handelsmechanismen—gedefinieerd als toegewijde contractfuncties. De omgevingsparameters van het blockchainplatform die in de simulaties worden gebruikt, zijn weergegeven in Tabel 1.

Om consistentie...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Dit onderzoek stelt een machine learning-versterkt coöperatief gametheoretisch handelsraamwerk (CoGTT) voor NFT-gebaseerde digitale kunstmarkten, gericht op het verbeteren van prijsnauwkeurigheid, strategische onderhandeling en besluitvormingsefficiëntie. De aanpak integreert supervised, unsupervised en reinforcement learning-modellen—zoals Decision Trees, K-Means en Q-learning—op een door smart contracts mogelijk gemaakt blockchainplatform om gedecentraliseerd, transparant en adaptief h...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Wij, de auteurs, verklaren dat er geen belangenconflicten zijn—financieel, persoonlijk of anderszins—die invloed hadden kunnen hebben op het werk dat in dit manuscript wordt gerapporteerd. Een AI-taalmodel werd alleen gebruikt voor het polijsten van de taal, grammaticacorrectie en het verbeteren van duidelijkheid en academische toon in geselecteerde delen van het manuscript. Het hulpmiddel werd niet gebruikt voor het genereren van wetenschappelijke ideeën, het formuleren van hypothesen, het ontwerpen van de methodologie, het uitvoeren van experimenten, het analyseren van resultaten of het trekken van conclusies.

Acknowledgements

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

De auteurs willen hun oprechte dank uitspreken aan Dr. K Hemant Kumar Reddy voor zijn waardevolle begeleiding en inzichtelijke suggesties gedurende dit onderzoek. We waarderen ook de constructieve feedback van vrienden en collega's, die enorm heeft bijgedragen aan het verfijnen van de kwaliteit en duidelijkheid van dit artikel.

Access restricted. Please log in or start a trial to view this content.

Materials

```html

List of materials used in this article
NameCompanyCatalog NumberComments
Hardhat (Blockchain Development Framework)Hardhatv2.19.1https://hardhat.org
MetaMask (Wallet Extension)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
PinataPinata.cloudv2.1.0https://www.pinata.cloud
Pinning policyPinata.cloud—https://docs.pinata.cloud
ReactReactv18.2.0https://react.dev
RemixRemixv0.31.0https://remix.ethereum.org
Solidity (Compiler Language)Solidity v0.8.20https://soliditylang.org
Ubuntu Ubuntu  22.04 LTShttps://ubuntu.com
```

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine LearningCooperative Game TheoryNFT TradingZero Knowledge ProofsBlockchain ArtworkSmart ContractsPrice NegotiationReinforcement LearningRandom ForestK Means Clustering

Related Articles