Wspomagany przez uczenie maszynowe framework kooperacyjny dla handlu grafikami blockchain i niezamiennymi tokenami z dowodami zerowymi

Summary

Badanie to usprawnia handel aktywami cyfrowymi opartymi na NFT w środowiskach inteligentnych miast poprzez integrację ML z ramami CoGTT. Implementowany za pomocą inteligentnych kontraktów na publicznym blockchainie i wspierany przez dowody zero-knowledge, ramy poprawiają uczciwość, elastyczność i przejrzystość, osiągając 84% wskaźnik realizacji transakcji, uwzględniając koszty realizacji inherentne dla systemów zdecentralizowanych.

Abstract

W kontekście inteligentnych miast tokeny niewymienne (NFT) przekształcają rynki sztuki cyfrowej, umożliwiając bezpieczne, zdecentralizowane transakcje. Wraz ze wzrostem handlu NFT, kluczowe staje się wdrażanie inteligencji i zdolności adaptacji — co sprawia, że integracja z uczeniem maszynowym (ML) jest niezbędna. Jednak istniejące modele, szczególnie frameworki Cooperative Game Theoretic Trading (CoGTT), niedostatecznie wykorzystują ML we wszystkich fazach tradingu. Kluczowe luki to ograniczona elastyczność w czasie rzeczywistym, nieoptymalne strategie negocjacyjne oraz niewystarczające dopasowanie kupujące–sprzedające. Niniejsze badania wypełniają te luki, integrując ML w trójfazowym systemie CoGTT — Naive Trading wspomagany ML, negocjacje cen Min–Max oraz Equilibrium-Based Trading — w celu usprawnienia podejmowania decyzji i ustalania cen. Metodologia wykorzystuje algorytmy ML, takie jak drzewa decyzyjne, klastrowanie oraz uczenie ze wzmocnieniem (Q-learning) w publicznym środowisku symulacyjnym opartym na blockchainie, wykorzystując inteligentne kontrakty. Symulacja wykorzystuje spersonalizowany zbiór danych, odzwierciedlający zarówno dynamikę rynku, jak i wiarygodność artystów. Zbiór danych jest generowany syntetycznie, aby emulować rynek NFT, jednocześnie utrzymując kontrolowane warunki eksperymentalne, co może ograniczać bezpośrednie zastosowanie na niestabilnych rynkach rzeczywistych. Stosuje się dowody zerowej wiedzy (ZKP), aby chronić prywatność. ZKP są stosowane w celu zachowania prywatności. Porównawcza analiza modeli ML do szacowania cen NFT i strategicznego licytowania pokazuje skuteczność łączenia algorytmów predykcyjnych z uczeniem ze wzmocnieniem. Modele regresji liniowej i lasu losowego dokładnie szacują ceny NFT, przy czym las losowy osiąga wyższą dokładność predykcji w czasie rzeczywistym (R² = 0,9920). Klasterowanie K-Means skutecznie segmentuje uczestników rynku, wspierając ukierunkowane negocjacje, osiągając sylwetkę 0,8178. Integracja Q-learningu z Random Forest umożliwia dynamiczne strategie licytacji, które minimalizują różnicę między cenami zalecanymi a rzeczywistymi. Zestaw akcji dyskretnych (zmniejszaj, zostawaj, zwiększał) obsługuje interpretowalne, rzeczywiste korekty licytacji. Te ustalenia podkreślają potencjał systemów handlu NFT opartych na ML do wspierania skalowalnych, zgodnych z prywatnością cyfrowych rynków w inteligentnych miastach, dostosowując zachowania handlowe do wymagań rynku poprzez zautomatyzowane, oparte na danych procesy.

Introduction

Połączenie technologii blockchain i tokenów niezamiennych (NFT) wprowadziło transformacyjny model posiadania i handlu aktywami cyfrowymi, szczególnie w inteligentnych miastach. W tym środowisku Digital Artwork Trading Framework umożliwia artystom monetyzację swoich dzieł i oferuje kolekcjonerom weryfikowalną własność poprzez zdecentralizowaną infrastrukturę. To dobrze wpisuje się w cele inteligentnych miast, takie jak przejrzystość, śledzenie i automatyzacja. Kilka czynników, takich jak wysokie opłaty transakcyjne, ograniczona interoperacyjność oraz niewystarczające egzekwowanie praw autorskich, utrudnia przyjęcie i skalowalność tych systemów.

Rosnąca liczba badań podstawowych analizuje te zagadnienia z różnych perspektyw. Vujicic i ^in.1 oraz Kumar i ^in.2 przedstawiają techniczne przeglądy zdecentralizowanych finansów oraz innowacyjne mechanizmy kontraktowe, które stanowią podstawę handlu NFT. Ante i ^in.3 oraz Guan i ^in.4 analizują zachowania ekonomiczne i doświadczenia użytkowników rynków NFT, podkreślając zmienność i strategiczne zachowania interesariuszy. Zastosowania wykraczające poza sztukę cyfrową — takie jak waste management⁵, bezpieczny handel AI⁶ oraz zgodność prawna⁷ — pokazują wszechstronność i rosnącą użyteczność platform NFT w zdecentralizowanych ekosystemach.

Pojawiły się także podejścia interdyscyplinarne, które wzmacniają te platformy. Teoria gier została wykorzystana do rozwiązywania struktur motywacyjnych, sporów dotyczących własności oraz zgodności regulacyjnej, co widać w pracach Sun i ^in.8, Gao i ^in.9 oraz Shao i ^in.10. Badania te projektują modele oparte na równowadze i oparte na karach, aby zachęcać do uczciwego zachowania i efektywnego przydziału zasobów. Równocześnie wprowadzane są techniki uczenia maszynowego (ML), które mają na celu poprawę wykrywania oszustw, prognozowania cen i wyceny treści w ekosystemach NFT^11,12, oferując strategie oparte na danych do optymalizacji efektywności handlu ^9,10. Najnowsze badania zaczęły analizować prognozowanie cen NFT za pomocą głębokiego uczenia i funkcji wizualnych. Seyhan i Sefer¹³ zaproponowali model głębokiego uczenia do przewidywania cen sprzedaży zarówno pierwotnych, jak i wtórnych NFT, wykazując większą dokładność w porównaniu do modeli bazowych. Podobnie Pala i Sefer¹⁴ zastosowały transfer learning na atrybutach NFT opartych na obrazach do prognozowania cech sprzedaży, podkreślając znaczenie cech wizualnych w ustalaniu cen. Prace te uzupełniają nasze podejście, kładąc nacisk na alternatywne modalności danych, podczas gdy nasz framework integruje uczenie maszynowe z negocjacjami teoretycznymi w grach dla dynamicznego i adaptacyjnego handlu.

Najnowsza literatura podkreśla rosnący wpływ technologii blockchain i NFT na zabezpieczanie ekosystemów cyfrowych oraz restrukturyzację dynamiki rynku. Integracja blockchain zwiększa bezpieczeństwo aktywów, odporność na oszustwa oraz zdecentralizowaną własność na platformach cyfrowych, szczególnie w grach i gospodarkach wirtualnych¹⁵. Równocześnie kryptoestetyka napędzana NFT oraz zdecentralizowane rynki sztuki ujawniają złożone interakcje społeczno-techniczne, które przekształcają wartość artystyczną, własność i produkcję kulturową¹⁶, podczas gdy badania empiryczne wskazują, że ceny NFT są w dużej mierze regulowane przez niedobór, reputację twórcy i dynamikę rynku¹⁸. Analizy ilościowe i oparte na sieciach dodatkowo pokazują, że optymalizacja strategiczna i ustrukturyzowane sieci interakcji znacząco wpływają na wyniki ekonomiczne, stabilność i wzorce sukcesu na zdecentralizowanych rynkach i powiązanych systemach^19,20.

Pomimo tych postępów, obecne ramy handlowe NFT — szczególnie te oparte na Kooperatycznym Handlu Gier (CoGTT) — pozostają ograniczone pod względem adaptacji i możliwości podejmowania decyzji. Rysunek 1 przedstawia schemat architektoniczny proponowanego ramowego kooperacyjnego handlu gier (CoGTT) z ulepszonym kooperacyjnym systemem ML. Istniejące modele są w przeważającej mierze statyczne, często opierając się na strategiach heurystycznych lub opartych na regułach, które nie uwzględniają złożonych, dynamicznych warunków rynkowych i zachowań użytkowników. Skutkuje to nieefektywnymi transakcjami, słabymi strategiami wycenowymi oraz ograniczoną uczciwością transakcji.

Niniejsze badania proponują Framework CoGTT z wykorzystaniem uczenia maszynowego dla zdecentralizowanych platform handlu aktywami cyfrowymi, aby rozwiązać te ograniczenia. Strukturyzowany w trzy fazy progresywne — Naive Trading z wzmocnieniem ML, negocjacje ceny Min-Max oraz Trading oparty na równowadze — ramy te wykorzystują techniki nadzorowane, nienadzorowane oraz uczenie ze wzmocnieniem w celu usprawnienia analizy rynku, negocjacji strategicznych i odkrywania równowagi. Konkretnie, modele klasyfikacyjne (np. drzewa decyzyjne), algorytmy klastrowania (np. K-Means) oraz metody dynamicznego uczenia (np. Q-learning) są wykorzystywane do optymalizacji dopasowywania transakcji, ustalania cen i strategii negocjacyjnej.

Ta architektura wspomagana przez ML jest wdrażana na platformie blockchain wspieranej przez smart kontrakty (tutaj blockchain Ethereum), zapewniając zdecentralizowaną, przejrzystą i autonomiczną realizację transakcji. Aby chronić dane użytkowników i zachować poufność, ZKP są zintegrowane, umożliwiając kryptograficznie bezpieczną weryfikację transakcji bez ujawniania wrażliwych informacji. Wnioski oparte na ML bezpośrednio wpływają na logikę smart kontraktów, osadzając przewidywane ceny i progi adaptacyjne, które reagują na dynamikę rynku w czasie rzeczywistym.

Podsumowując, badanie to wprowadza skalowalny, chroniący prywatność i inteligentny framework handlowy wdrożony na publicznym blockchainie z tabelą opłat za gaz i kosztami wdrożenia w Tabeli 1 , co znacząco zwiększa efektywność (zgodnie z Tabelą 2 i 3), wiarygodność oraz elastyczność systemów handlu NFT. Dzięki ścisłej integracji uczenia maszynowego z logiką teorii gier i infrastrukturą blockchain, proponowane rozwiązanie jest zgodne z celami inteligentnych miast — dostarczając bezpieczną, uczciwą i inkluzywną platformę wymiany aktywów cyfrowych.

Niniejsze badanie proponuje hybrydowy framework integrujący uczenie maszynowe z kooperacyjnym handlem teorii gier (CoGTT), aby wspierać ustalanie cen, negocjacje i podejmowanie decyzji na rynkach sztuki cyfrowej opartej na NFT. Modele predykcyjne łączone są z inteligentnymi kontraktami, aby usprawnić automatyzację procesów, uczciwość i bezpieczeństwo w środowiskach handlowych. Aby sprostać wymaganiom prywatności i zgodności, ZKP są wykorzystywane do dopasowywania cen, walidacji własności oraz weryfikacji autentyczności. Ramy przyjmują trzyfazową strukturę: naiwne handel wspomagany uczeniem maszynowym, negocjacje ceny min-max oraz handel oparty na równowadze, zapewniając skoordynowane podejście do skalowalnych operacji na rynku NFT.

Analiza porównawcza w Tabeli 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32 ^,33,34,35,36,37,38 podkreśla integrację blockchaina, NFT, uczenia maszynowego oraz modeli teorii gier w zdecentralizowanych obszarach, takich jak rynki cyfrowe, bezpieczeństwo IoT i systemy energetyczne. Wcześniejsze badania pokazują, że połączenie zaawansowanych modeli uczenia się i mechanizmów blockchain zwiększa dokładność wyceny, bezpieczeństwo, przejrzystość oraz optymalizację równowagi. Dowody empiryczne i analityczne wskazują na poprawę efektywności, ograniczania oszustw, redukcji kosztów oraz sprawiedliwego przydziału zachęt dzięki hybrydowym ramom ML–blockchain.

Protocol

Ramy handlu dziełami NFT oparte na blockchainie są skonstruowane jako wielowarstwowy protokół integrujący smart kontrakty, mechanizmy chroniące prywatność, modelowanie teoretyczne gier, algorytmy uczenia maszynowego, uczenie ze wzmocnieniem oraz ocenę kosztów gazu w ramach zunifikowanej architektury.

Proces rozpoczyna się od opracowania inteligentnych kontraktów, definiujących kluczowe funkcje, takie jak rejestracja uczestników, lista aktywów, składanie zleceń oraz realizacja transakcji. Te kontrakty umożliwiają onboarding użytkowników, rejestrację zasobów oraz bezpieczną obsługę zleceń. Aby ocenić poprawność i efektywność, testowano logikę umów, a koszty realizacji rejestrowano przy różnych ustawieniach prędkości transakcji.

ZKP są włączane, aby weryfikować autentyczność dzieł sztuki bez ujawniania wrażliwych szczegółów. Każda transakcja przechodzi podwójną weryfikację poprzez kontrole on-chain oraz walidację ZKP, co zapewnia poufność i integralność danych. Modułowy projekt ZKP działa niezależnie od głównych inteligentnych kontraktów, umożliwiając integrację i wspieranie wdrażania na dużą skalę. Oceniono generowanie dowodów i opóźnienia weryfikacji w celu oceny wykonalności.

Interfejs webowy został zaimplementowany przy użyciu frameworka ogólnego przeznaczenia. Interfejs zawiera moduły takie jak strona docelowa, pulpit artysty oraz platforma handlowa. Uwierzytelnianie oparte na portfelu umożliwia podpisywanie transakcji, natomiast funkcje przesyłania i mintingu pozwalają artystom tokenizować dzieła cyfrowe.

Na poziomie projektowania rynku model Kooperatycznego Handlu Gier (CoGTT) wykorzystuje ustrukturyzowany, trójfazowy mechanizm negocjacji. Pierwsza faza stosuje bezpośrednie dopasowanie cen na podstawie złożonych ofert i zapytań. Niedopasowani uczestnicy przechodzą do drugiej fazy, która wykorzystuje negocjowane strategie wyceny min–max, w tym metody wyceny środkowej. Jeśli nie zostanie osiągnięte porozumienie, transakcje przechodzą do trzeciej fazy, gdzie stosuje się zasady równowagi Nasha, a negocjacje iteracyjne trwają aż do osiągnięcia cen zbieżnych równowagi. Te fazy są realizowane jako algorytmy modułowe: naivne dopasowanie (Algorytm 1), brokering w połowie (Algorytm 2), handel równowagowy Nasha (Algorytm 3) oraz zintegrowany workflow (Algorytm 4).

Modele uczenia maszynowego są zintegrowane z procesem handlowym w celu wsparcia decyzji. Cechy rynkowe, takie jak oferty sprzedażowe, sprzedażowe, wolumen obrotu, historyczne dane cenowe oraz oceny reputacyjne są wykorzystywane do modelowania predykcyjnego. Regresja liniowa (Algorytm 5) szacuje ceny uczciwe, a wydajność jest oceniana za pomocą średniego błędu kwadratowego (MSE). Klasteryzacja K-Means (Algorytm 6), wspierana przez normalizację cech i redukcję wymiarowości opartą na PCA, segmentuje użytkowników na klastry, oceniane na podstawie wyniku sylwetki. Random Forest (Algorytm 7) dostarcza dodatkowe prognozy cen, weryfikowane zarówno przez MSE, jak i R². Algorytm integracyjny (Algorytm 8) łączy regresję, klasteryzację oraz wyniki z lasu losowego w dynamiczny przepływ decyzyjny dla adaptacyjnego handlu.

Uczenie ze wzmocnieniem poprzez Q-learning jest stosowane do optymalizacji strategii licytacji. Przestrzeń stanów jest definiowana przez aktualne poziomy cen i wartości ofertowe, podczas gdy działania obejmują inkrement, dekrement lub retainment. Agent Q jest trenowany na podstawie informacji zwrotnej z prognoz Random Forest, ucząc się polityk zmniejszających błędy cenowe i zwiększających użyteczność uczestników. Symulacje prowadzone są aż do zbiegu do polityk zrównoważonych równowagą, a wyniki są weryfikowane w symulowanych środowiskach handlowych.

Zużycie gazu dla każdej funkcji kontraktowej jest systematycznie rejestrowane, a koszty transakcyjne obliczane są przy różnych ustawieniach prędkości. Na przykład funkcja registerArtist() zużyła 90 123 jednostek gazu, a odpowiadające im koszty były porównywane z rynkowymi cenami ETH. Te oceny wskazują kompromisy między kosztami a efektywnością realizacji.

Wydajność ramy oceniano za pomocą wielu metryk. Regresja liniowa uzyskała wartość MSE 4,54 × 10⁻²⁸, natomiast klasteryzacja K-Means dała wynik sylwetki 0,8178. Random Forest uzyskał MSE 0,1311 oraz R² 0,9920. Wyniki Q-learning zostały ocenione pod kątem zbieżności i równowagi w różnych warunkach cenowych. Wyniki te wskazują na wykonalność proponowanego podejścia wspierającego handel dziełami NFT w warunkach rynkowych opartych na blockchainie.

Proponowany framework kooperatycznego handlu gier (CoGTT) dla handlu sztuką cyfrową

Innowacyjne hybrydowe podejście kooperacyjnego handlu gier (CoGTT) łączy podejście do handlu NFT o teorii gier z dodatkowymi mechanizmami wyceny oraz równowagą Nasha, aby poprawić efektywność i koordynację rynków NFT. Proponowane podejście opiera się na platformie blockchain opartej na inteligentnych kontraktach. Podejście to wykorzystuje zaawansowane techniki kryptograficzne oraz ZKP, aby zapewnić bezpieczną i prywatną weryfikację transakcji. ZKP umożliwiają weryfikację własności i szczegółów transakcji bez ujawniania wrażliwych informacji o kupujących lub sprzedających.

Proponowane podejście wprowadza strategiczne interakcje między twórcami, kupującymi i brokerami pośrednimi w zdecentralizowanym rynku. Model ten ma na celu optymalizację wyników handlowych, równoważąc bodźce dla wszystkich uczestników przy jednoczesnym uwzględnieniu konkurencji i dynamiki współpracy. Chociaż proponowane ramy koncentrują się głównie na naiwnym dopasowaniu ofert–sprzedaż, negocjacjach opartych na środku oraz rozliczeniu opartym na równowadze Nasha, istnieją i pozostają istotne na rynkach NFT, takie jak aukcje drugiej ceny. W handlu dziełami cyfrowymi aukcjoner ustala cenę transakcji za pomocą następujących metod:

Cena konsumencka: Cena ustalana jest bezpośrednio na podstawie najwyższej oferty kupującego. Ta metoda odzwierciedla maksymalną wartość, jaką kupujący zapłaci za dzieło sztuki, sprzyjając konkurencyjnemu licytacji.

Metoda średniej ceny: Cena jest obliczana jako środek między ceną oferowaną przez kupującego a ceną wywoławczą sprzedającego, tworząc równowagę. To obliczenie ceny równowagi:

Równowaga (EPrice) = DArt_APrice + DArt_BPrice

Takie podejście ma na celu zrównoważenie interesów zarówno kupującego, jak i sprzedającego, prowadząc do uczciwej i wzajemnie akceptowalnej transakcji. Metody te zapewniają elastyczność w strategiach cenowych, odpowiadając na różnorodne preferencje i dynamikę rynku w ekosystemie handlu cyfrowymi dziełami sztuki.

Model kooperacyjny handlu oparty na teorii gier 3-fazowy

Ta sekcja wprowadza innowacyjne, trójfazowe, oparte na teorii gier podejście do handlu kooperacyjnego, specjalnie zaprojektowane dla cyfrowej sztuki. Podejście to dynamicznie dostosowuje zarówno ceny licytacyjne, jak i wywoławcze, aby zoptymalizować efektywność i uczciwość handlu, jak pokazano w Tabeli 2 i Tabeli 3, ułatwianej przez brokera. Celem jest poprawa sprawiedliwości, efektywności i rentowności na zdecentralizowanych rynkach NFT, osiągając równowagę między interesami twórców a kupujących dzieła sztuki. Rysunek 2 ilustruje proponowany model trójfazowego systemu handlu dla cyfrowej grafiki, z szczegółowym algorytmem przedstawionym w Algorytmie 4. Proponowany framework CoGTT efektywnie kończy proces handlu cyfrową grafiką w trzech fazach: a) Naive Trading oparty na cenach sprzedażowych i licytacyjnych, b) Trading na podstawie Negocjowanej Ceny Min-Max oraz c) Handel z wykorzystaniem metody Nash Equilibrium. W pierwszej fazie inicjowane jest naiwne handlowanie na podstawie początkowych informacji od twórców i kupujących. Druga faza polega na handlu na podstawie wynegocjowanych cen min-max między sprzedającymi a kupującymi dla pozostałych nienotowanych żądań. Na koniec trzecia faza wykorzystuje metodę równowagi Nasha do finalizacji procesu handlowego.

Pierwsza faza – Naiwne handel na cenach sprzedażowych i licytacyjnych:

W pierwszej fazie twórcy cyfrowej sztuki (dostawcy) są organizowani w kolejności rosnącej według cen wywoławczych oraz minimalnych cen sprzedaży. Podobnie kupujący (konsumenci) są uporządkowani w kolejności rosnącej zgodnie ze zgłoszonymi cenami licytacyjnymi oraz maksymalnymi cenami licytacyjnymi. Minimalna cena wywoławcza twórców oraz maksymalna cena licytacji kupujących pozostają poufne. Następnie stosuje się podejście kooperacyjne, aby dopasować nabywców i twórców, ułatwiając alokację dzieł sztuki, gdy ceny licytacyjne kupujących pokrywają się z cenami wywołanymi przez twórców. Ta alokacja może obejmować jednego twórcę lub kilku twórców, pod warunkiem, że łączne ceny wywoławcze mieszczą się w ofercie kupującego. Kupujący, którzy nie mogą zdobyć dzieła sztuki na tym etapie z powodu ograniczeń cenowych, przechodzą do drugiej fazy. Szczegóły podejścia do handlu przedstawiono w Algorytmie 1.

Druga faza – Handel na negocjowanej cenie min-max

W drugiej fazie załatwiane są zamówienia niezrównanych kupujących, aby zakończyć proces handlowy, wykorzystując minimalne ceny wywoławcze od twórców sztuki cyfrowej oraz maksymalne ceny licytacyjne od kupujących. Podejście handlowe wykorzystuje różne metody, w tym Wartość średnią, Wartość Śróddzień oraz Równowagę Rynkową, aby określić wartość środkową, która zwiększa efektywność handlu. Szczegóły tych podejść środkowych omówiono w poniższych podsekcjach. Szczegóły podejścia handlowego przedstawiono w Algorytmie 2.

Wartość średnia: Podejście brokerskie wprowadzone do znalezienia średniej wartości między twórcami a kupującymi, stosując proste podejście o średniej wartości. Na przykład, jeśli cena licytacji dla sztuki cyfrowej wynosi 50, a wywoławcza 52, to wartość środkową można ustalić, uśredniając ceny kupna i sprzedaży.

Wartość śróddzień średnia: Inkorporowane podejście brokerskie oznacza minimalną cenę handlową tego samego typu sztuk, a także maksymalną cenę tego samego typu sztuk i wykorzystuje następujący wzór do obliczenia wartości średniej: (Aktualne maksimum dnia + Aktualne minimum dnia)/2. Ta wartość średnia jest ustalana jako cena transakcji handlowej, jeśli wartość średnia jest wyższa niż minimalna cena wywoławcza twórcy sztuki i niższa niż maksymalna cena licytacyjna kupującego.

Równowaga rynkowa: Średnia cena jest ważnym wskaźnikiem równowagi rynkowej. Odzwierciedla cenę, po której twórca sztuki (cena wywoławcza) i kupujący (cena licytująca) dla aktywa są zgodne. Wartość ta jest obliczana przez uśrednianie najwyższej i najniższej ceny wywoławczej, co daje traderom uczciwe przedstawienie aktualnej wartości rynkowej, niewpływającej na ekstremalne ceny kupna lub sprzedażowe. Wzór przedstawiony jest w następujących 3 równaniach.

 

Trzecia faza – Handel metodą równowagi Nasha

W trzecim kroku rozszerzone informacje o pozostałych niewymienionych żądaniach, takie jak minimalna cena wywoławcza od twórcy i maksymalna cena licytacyjna od kupującego, zostały ujawnione obu stronom, aby ustalić punkt równowagi, gdzie cena ofertowa kupującego jest tak wysoka, jak jest gotów zaakceptować, a cena wywoławcza twórcy tak niska, jak jest gotów zaakceptować. Szczegóły podejścia handlowego przedstawiono w Algorytmie 3.

W pierwszej i drugiej fazie ram stosuje się dostosowanie poufności i dostosowania zachęt, aby zniechęcić do strategicznego błędnego raportowania cen. Maksymalna gotowość kupujących do zapłaty oraz minimalne akceptowalne ceny twórców są utrzymywane jako poufne wartości podczas alokacji, ograniczając możliwości manipulacji poprzez zaniżanie czy zawyżenie. Ponieważ decyzje o dopasowaniu opierają się na zakresach (minimalna sprzedaż i maksymalna oferta), a nie na jawnych ujawnieniach, próby błędnego raportowania cen zwiększają prawdopodobieństwo wykluczenia z alokacji fazy 1 lub 2, co zmniejsza możliwości handlowe. Co więcej, protokół przechodzi do trzeciej fazy opartej na równowadze Nasha, gdy wcześniejsze transakcje nie udają się. Na tym etapie iteracyjne korekty prowadzą do zbieżności w wyniku lepiej odzwierciedlających rzeczywiste oceny uczestników. Ten postęp zniechęca do błędnego raportowania na wczesnych etapach, ponieważ nieudane próby manipulacji jedynie opóźniają realizację i ostatecznie wymagają prawdziwego ujawnienia wycen dla pomyślnego zakończenia transakcji.

Wyniki algorytmów uczenia maszynowego (ML) nie są traktowane jako poizolowane prognozy, lecz są aktywnie osadzone w trójfazowym ramach kooperatycznego handlu gier (CoGTT), aby kierować ustalaniem cen, negocjacjami i odkrywaniem równowagi. Połączenia te są obecnie opisane następująco:

Faza 1 – Naiwne handel z regresją liniową: Model regresji liniowej generuje benchmark uczciwej ceny poprzez uśrednianie cech kupna i sprzedaży względem historycznych trendów. Przewidywana uczciwa cena jest następnie porównywana zarówno z ofertą kupującego, jak i ceną wywoławczą twórcy. Jeśli któraś ze stron zgłosi wartość znacznie odbiegającą od przewidywanej ceny uczciwej, alokacja jest degradowana na margines, co zmniejsza zachętę do błędnego raportowania. W ten sposób wyjście regresyjne działa jako mechanizm filtrujący, który określa, które transakcje są uznawane za opłacalne do bezpośredniej alokacji.

Faza 2 – Negocjacje Min-max z lasem losowym: Model lasu losowego udoskonala dynamiczne szacowanie cen, uwzględniając różnice kupna i sprzedaż, wolumen obrotu oraz wyniki reputacji. Prognozy te są bezpośrednio wykorzystywane do kalibracji metod negocjacji opartych na środku (Wartość średnia, Śróddzień środkowy, Równowaga rynkowa). Na przykład, gdy obliczana jest cena środkowa, losowa prognoza lasu jest stosowana jako czynnik korekcyjny, aby zapewnić, że negocjowana wartość jest zgodna z zachowaniem rynku. Ta integracja zapewnia, że wyniki brokeringu są zakotwiczone w wyuczonych wzorcach rynkowych, a nie na arbitralnych arytmetycznych środkach.

Faza 3 – Handel oparty na równowadze z klastrowaniem K-means: Na tym etapie uczestnicy kupujący i sprzedający są najpierw podzieleni na grupy na podstawie cech behawioralnych (agresywność ofert/sprzedaż, reputacja, aktywność historyczna). Ta segmentacja zapewnia, że negocjacje w kierunku równowagi odbywają się między porównywalnymi uczestnikami, co zmniejsza zmienność i poprawia wartość kapitałową. Przypisania klastrów służą zatem jako ograniczenia na poziomie grupy, które określają, czyje ceny można uwzględnić w odkrywaniu równowagi.

Integracja z uczeniem ze wzmocnieniem (Q-learning): Q-learning opiera się na losowych prognozach lasu, aby zoptymalizować dynamiczne strategie licytacji. Za każdym razem, gdy agent koryguje ofertę (zmniejsza, utrzymuje lub podnosi), sygnał nagrody jest obliczany względem prognozowanej przez Random Forest uczciwej ceny. W ciągu kilku odcinków agent Q-uczy się polityk minimalizujących błędy w wycenach i maksymalizujących użyteczność, a te polityki są bezpośrednio wdrażane w fazie 3 handlu równowagą. W praktyce oznacza to, że korekty ofert kupujących podczas odkrywania równowagi są oparte na strategiach zoptymalizowanych i zweryfikowanych podczas symulacji treningowych.

Razem te mechanizmy pokazują, że wyjścia ML służą jako silniki wsparcia decyzyjnego ściśle powiązane z fazami CoGTT. Regresja liniowa wymusza realistyczne początkowe alokacje, Random Forest opiera negocjacje na zachowaniu rynku empirycznego, klasteryzując struktury w procesie równowagi, a uczenie ze wzmocnieniem napędza adaptacyjne udoskonalanie strategii. Dzięki wyraźnemu powiązaniu algorytmicznych prognoz z punktami decyzyjnymi operacyjnymi, ramy zapewniają, że handel jest nie tylko zautomatyzowany, ale także oparty na inteligencji adaptacyjnej do rynku.

Zbiory danych, cechy i ramy reprodukcji

Definicja zbioru danych i motywacja

Środowiska handlu NFT i aktywami cyfrowymi charakteryzują się wieloma cechami rynku i uczestników, w tym ceną kupującą, ceną sprzedaży, ceną historyczną transakcji, wolumenem transakcji oraz reputacją uczestnika. Ponieważ żaden publicznie dostępny zbiór danych NFT nie oferuje jednocześnie wszystkich tych cech, badanie wykorzystuje syntetycznie generowane zbiory danych, aby umożliwić kontrolowaną walidację protokołów, jednocześnie zachowując realistyczne zachowania rynku. Rozmiary zbiorów danych wahają się od 100 do 1000 transakcji, w zależności od scenariusza eksperymentalnego i wymagań modelu.

Każdy rekord zbioru danych składa się z następujących pól: Oferta, Oferta, Cena historyczna, Wolumen, Reputacja oraz Cena uczciwa, gdzie cena uczciwa jest definiowana jako średnia arytmetyczna wartości kupna i sprzedaży.

Proces generowania syntetycznych danych:

Oferty kupujących są pobierane z ograniczonych, jednorodnych rozkładów, z wykorzystaniem zakresów takich jak [90, 110] dla eksperymentów na małą skalę oraz [100, 1000] dla symulacji na dużą skalę. Ceny sprzedaży sprzedającego są generowane przez dodanie dodatniego offsetu stochastycznego do odpowiadających ofert, modelując realistyczne różnice między kup a sprzedażą. Ceny historyczne są pobierane z normalnych rozkładów opartych na wartościach kupnych z addytywnym szumem, aby symulować zmienność rynku. Wolumeny transakcji generowane są jako wartości całkowite w określonych zakresach (np. [1, 10] lub [100, 1000]), natomiast wyniki reputacji uczestników są pobierane z równomiernych rozkładów albo w [0, 1] (znormalizowane oceny zaufania) lub [0, 5] (reprezentacja gwiazdkowa). Wszystkie eksperymenty wykorzystują stałe losowe nasiona (numpy.random.seed(42)), aby zapewnić deterministyczną i powtarzalną rekonstrukcję zbioru danych.

Schemat danych, przechowywanie i dostęp

Wszystkie zbiory danych są przechowywane w formacie CSV z ustalonym sześciokolumnowym schematem: (bid, ask, historical_price, wolumen, reputacja fair_price). Każdy plik CSV zazwyczaj zawiera około 1 000 rekordów, chyba że zakreślono inaczej. Dla zdecentralizowanej powtarzalności pliki zbiorów danych są przesyłane do IPFS, a odpowiadające im identyfikatory treści (CID) są rejestrowane wraz z adresami smart kontraktów w plikach konfiguracyjnych. Taki projekt umożliwia niezależne pobieranie identycznych zbiorów danych bez konieczności korzystania ze scentralizowanej pamięci.

Przygotowanie i podział zbiorów danych

Zbiory danych dzielą się na podzbiory treningowe i testowe przy użyciu podziału 80/20 train–test realizowanego za pomocą train_test_split z random_state=42. Pięciokrotna walidacja krzyżowa jest stosowana podczas strojenia hiperparametrów Losowego Lasu, natomiast skalowanie cech za pomocą StandardScaler() jest stosowane tam, gdzie jest to konieczne, szczególnie dla klastrowania i workflow opartych na PCA.

Modele uczenia maszynowego i parametryzacja

Wszystkie modele uczenia maszynowego są implementowane przy użyciu ustalonych bibliotek o stałych konfiguracjach, aby zapewnić powtarzalność. Pełne podsumowanie parametrów i wartości znajduje się w załączonej tabeli. Regresja liniowa (LR) wykorzystuje estymator najmniejszych kwadratów, z ceną kupna, sprzedażą, ceną historyczną, wolumenem i reputacją jako wejściami, a wartością uczciwą jako zmienną docelową. Wydajność ocenia się za pomocą średniego błędu kwadratowego (MSE). K-Means Clustering jest stosowany do skalowanych podzbiorów cech, opcjonalnie redukowanych za pomocą analizy głównych komponentów (PCA), gdzie dwa komponenty obejmują ponad 90% wariancji. Liczba skupisk wybierana jest w zakresie 2–3 według kryteriów łokcia i sylwetki. Regresja losowego lasu (RF) jest stosowana do nieliniowego szacowania cen z 100–200 drzewami, głębokością i parametrami podziału dostrojonymi za pomocą pięciokrotnej walidacji krzyżowej. Wydajność modelu ocenia się za pomocą MSE i^{R 2}. Q-Learning jest realizowany jako tabelaryczne podejście do uczenia ze wzmocnieniem z 31 dyskretyzowanymi stanami cenowymi, trzema akcjami korekty ofert oraz stałymi parametrami uczenia się (α = 0,1, γ = 0,9, ε = 0,1). Konwergencję ocenia się poprzez stabilizację epizodycznych nagród. Obliczeniowo, regresja liniowa i K-Means są ukończone w sekundy dla zbiorów danych do 10–³ próbek, trening lasu losowego wymaga od sekund do minut w zależności od skali, a Q-learning zbiega efektywnie dzięki swojej niskowymiarowej przestrzeni stanów.

Realizacja blockchaina, prywatność i rejestrowanie kosztów

Wdrażanie i realizacja smart kontraktów

Smart kontrakty kodujące logikę handlu są napisane w Solidity (pragma ^0.8.20) z włączoną optymalizacją kompilatora (200 uruchomieni) i wdrażane w testowej sieci Sepolia przy użyciu standaryzowanych ram programistycznych. Podpisywanie transakcji w oparciu o portfel odbywa się za pośrednictwem portfela przeglądarkowego połączonego przez punkt końcowy RPC. Zużycie gazu na wdrażanie kontraktów i funkcje transakcyjne jest rejestrowane automatycznie, a koszty realizacji obliczane są na podstawie równoczesnych kursów konwersji ETH/USD.

Całkowanie dowodowe z zerową wiedzą

Veryfikacja chroniąca prywatność jest realizowana poprzez pipeline ZK-SNARK, obejmującą kompilację układów, zaufaną konfigurację, generowanie dowodów oraz weryfikację on-chain. Dowody są generowane poza łańcuchem i weryfikowane on-chain za pomocą dedykowanego kontraktu weryfikującego wdrażanego równolegle z głównym kontraktem handlowym, co umożliwia weryfikację własności i poprawności transakcji bez ujawniania wrażliwych danych uczestników.

Środowisko programistyczne i przepływ pracy wykonawczej

Wszystkie eksperymenty prowadzone są na 64-bitowym systemie Linux z ustaloną konfiguracją sprzętową. Przepływy pracy uczenia maszynowego realizowane są w środowisku Pythona, podczas gdy rozwój blockchain i interakcja front-end opierają się na stosie JavaScript z wersjami frameworka o stałych wersjach. Aplikacje front-end są budowane i obsługiwane za pomocą menedżera pakietów, smart kontrakty są kompilowane i wdrażane w ustandaryzowanych frameworkach deweloperskich, a weryfikacja ZKP jest integrowana z procesem realizacji transakcji.

Dokładne wersje oprogramowania, flagi kompilatorów, konfiguracje portfela, polityki przypinania IPFS, polecenia wykonawcze oraz przykładowe CID są dokumentowane w pliku powtarzalności, aby ułatwić niezależną replikację.

Wyniki operacyjne i wskaźniki realizacji

Odporność wdrożonego protokołu odzwierciedla się w statystykach jego wykonywania. Podstawowe funkcje smart kontraktów osiągają wysokie wskaźniki realizacji, z łącznym wskaźnikiem sukcesu na poziomie 84% we wszystkich operacjach transakcyjnych. Szczegółowe liczby wykonań na poziomie funkcji oraz wskaźniki ukończenia są przedstawione w odpowiadającej tabeli wyników.

Algorytmy

Ta sekcja wprowadza trzyfazowy kooperacyjny system cyfrowego handlu dziełami sztuki, w którym broker jest wykorzystywany do zbierania dostępnych jednostek dzieł i ich cen wywoławczych od twórców oraz wymaganych jednostek i ofert od użytkowników. Na podstawie proponowanego podejścia broker następnie ułatwia transakcje między twórcami a użytkownikami. Proces handlowy przebiega w trzech wyraźnych fazach: W pierwszej fazie stosuje się naiwny algorytm handlowy do cen wypytujących i licytacyjnych, zgodnie z Algorytmem 1. Druga faza wprowadza algorytm handlu oparty na negocjacjach cen min-max, przedstawiony w Algorytmie 2. Wreszcie, trzecia faza wykorzystuje algorytm handlowy oparty na równowadze Nasha, opisany w Algorytmie 3, a Algorytm 4 integruje wszystkie trzy algorytmy w kompleksowe, trójfazowe podejście do handlu cyfrową sztuką kooperacyjną teorią gier. Algorytm 5 pokazuje regresję liniową dla prognozy uczciwej ceny. Algorytm 6 pokazuje klastrowanie K-Means dla grupowania kupującego/sprzedającego. Algorytm 7 pokazuje las losowy do prognozowania cen w negocjacjach w czasie rzeczywistym. Algorytm 8 pokazuje przepływ algorytmu handlu NFT opartym na uczeniu maszynowym. Algorytmy 5–8 są częścią algorytmu 8.

Proponowane ramy implementują trzyfazowy mechanizm Kooperatycznego Handlu Gier (CoGTT), który systematycznie obsługuje transakcje cyfrowe dzieła sztuki oparte na NFT. W pierwszej fazie naiwny handel odbywa się przy użyciu bezpośredniego dopasowania kupna i sprzedaży, jak formalizowano w Algorytmie 1. Kupujący są uporządkowani przez malejące ceny licytacyjne, a sprzedający przez rosnące ceny wywoławcze, co umożliwia sekwencyjną alokację dzieł sztuki w ramach ograniczeń budżetowych kupujących. Kupujący, którzy nie mogą zakończyć transakcji na tym etapie, są kierowani do drugiej fazy, gdzie stosuje się negocjowane ceny min-max za pomocą Algorytmu 2. Ten etap oblicza cenę środkową pomiędzy minimalną ceną wywoławczą sprzedającego a maksymalną ceną licytacyjną kupującego, która jest dalej korygowana za pomocą wskaźników popytu rynkowego i handlu w czasie rzeczywistym. Transakcja jest realizowana tylko wtedy, gdy negocjowana cena pozostaje w dopuszczalnym zakresie kupno-sprzedażowym. Dla transakcji, które pozostają nierozwiązane, ramy przechodzą do trzeciej fazy, gdzie stosuje się handel oparty na równowadze Nasha za pomocą Algorytmu 3. Tutaj iteracyjne korekty cen oparte na użyteczności uczestników zbiegają się do stabilnej ceny równowagi, zapewniając racjonalne rozliczenie. Te trzy etapy są zorganizowane w ramach jednolitego przepływu decyzji zdefiniowanego w Algorytmie 4, który integruje bezpośrednie dopasowanie, brokering i rozwiązywanie równowagi w jednym potoku handlowym.

Aby zwiększyć dokładność wyceny, elastyczność i strategiczne podejmowanie decyzji, ramy CoGTT są wzbogacone o wiele modeli uczenia maszynowego. Algorytm 5 stosuje regresję liniową do oszacowania bazowej ceny fair na podstawie obserwowalnych cech rynkowych, służąc jako interpretowalny mechanizm filtrowania podczas początkowej oceny transakcji. Do negocjacji w czasie rzeczywistym Algorytm 7 wykorzystuje regresor Lasu losowego do wychwycenia nieliniowych wzorców cenowych wpływających na różnice kupno-sprzedażowe, ceny historyczne, wolumen oraz reputację uczestników. Zachowanie uczestników jest dodatkowo strukturyzowane za pomocą Algorytmu 6, który stosuje klasteryzację K-Means z redukcją wymiarowości opartą na PCA na grupach kupujących i sprzedających w klastry o podobnych zachowaniach, poprawiając stabilność podczas negocjacji równowagi. Modele te są zintegrowane w jednolitym procesie handlu opartym na ML, opisanym w Algorytmie 8, gdzie regresja liniowa wspiera filtrowanie fazy 1, las losowy doprecyzuje ceny negocjacji fazy 2, klasteryzacja informuje grupowanie uczestników fazy 3, a uczenie ze wzmocnieniem optymalizuje korekty ofert w kierunku równowagi Nasha. Razem te algorytmy zapewniają, że proponowane ramy są nie tylko teoretycznie ugruntowane, ale także adaptacyjne, oparte na danych i odpowiednie do dynamicznych środowisk rynku NFT. Wszystkie algorytmy są wymienione w Pliku Uzupełniającym 1.

Results

Proponowane podejście oparte na blockchainie do handlu cyfrowymi dziełami sztuki wykorzystuje ZKP. Każda metoda handlu jest zamknięta w inteligentnym kontrakcie, z kluczowymi funkcjami — takimi jak rejestracja twórcy dzieł sztuki, rejestracja użytkownika oraz mechanizmy handlowe — definiowane jako dedykowane funkcje kontraktowe. Parametry środowiskowe platformy blockchain użyte w symulacjach zostały przedstawione w Tabeli 1.

Aby zachować spójność, wszystkie metody handlowe prz...

Discussion

Niniejsze badania proponują wspomagany przez uczenie maszynowe framework kooperacyjnego handlu gier (CoGTT) dla rynków sztuki cyfrowej opartej na NFT, mający na celu poprawę dokładności cen, negocjacji strategicznych oraz efektywności podejmowania decyzji. Podejście integruje modele uczenia nadzorowanego, nienadzorowanego oraz uczenia ze wzmocnieniem — takie jak Drzewa Decyzyjne, K-Means i Q-learning — na platformie blockchain opartej na inteligentnych kontraktach, umożliwiając zdecentralizowany, przejrzysty i adaptacyjn...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (framework do tworzenia blockchain)	Hełm	v2.19.1	https://hardhat.org
MetaMask (rozszerzenie portfela)	MetaMask	v11.10.0	https://metamask.io
Next.js	Next.js	v14.1.0	https://nextjs.org
Node.js	Node.js	v20.11.1	https://nodejs.org
NVIDIA RTX 3060	NVIDIA	https://www.nvidia.com/	Intel Core i7-12700H
Pinata	Pinata.cloud	v2.1.0	https://www.pinata.cloud
Polityka przypinania	Pinata.cloud	—	https://docs.pinata.cloud
React	React	v18.2.0	https://react.dev
Remix	Remix	v0.31.0	https://remix.ethereum.org
Solidność (język kompilatorów)	Solidity	v0.8.20	https://soliditylang.org
Ubuntu	Ubuntu	22.04 LTS	https://ubuntu.com