Research Article

Sıfır Bilgi Kanıtlarıyla Blokzincir ve Değiştirilemez Token Tabanlı Sanat Eserleri Ticareti için Makine Öğrenimi Destekli İşbirlikçi Oyun Çerçevesi

DOI:

10.3791/68889

⸱

March 13th, 2026

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

In This Article

Summary

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

Bu çalışma, makine öğrenimini bir CoGTT çerçevesine entegre ederek akıllı şehir ortamlarında NFT tabanlı dijital varlık ticaretini geliştirmektedir. Açık blok zincirinde akıllı sözleşmeler kullanılarak uygulanan ve sıfır bilgi kanıtlarıyla desteklenen bu çerçeve, adalet, uyum sağlama ve şeffaflığı artırır; merkezi olmayan sistemlere özgü uygulama maliyetlerini hesaba katırken %84 işlem tamamlanma oranına ulaşır.

Abstract

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

Akıllı şehirler bağlamında, Non-Fungible Token'lar (NFT'ler), güvenli ve merkeziyetsiz işlemleri mümkün kılarak dijital sanat pazarlarını dönüştürüyor. NFT ticareti büyüdükçe, zeka ve uyum sağlama yeteneğini entegre etmek kritik hale geliyor—bu da Makine Öğrenimi (ML) entegrasyonunu vazgeçilmez kılıyor. Ancak, mevcut modeller, özellikle Kooperatif Oyun Teorik Ticareti (CoGTT) çerçeveleri, tüm işlem aşamalarında makine öğrenimi yeterince kullanmıyor. Temel eksiklikler arasında sınırlı gerçek zamanlı uyum sağlama, optimal olmayan pazarlık stratejileri ve yetersiz alıcı-satıcı eşleştirmesi yer alıyor. Bu araştırma, ML'yi üç aşamalı bir CoGTT çerçevesine entegre ederek bu boşlukları gideriyor; böylece ML ile desteklenmiş Naif Ticaret, Min–Max Fiyat Müzakere ve Denge Tabanlı Ticaret—karar alma ve fiyatlandırmayı geliştiriyor. Metodoloji, akıllı sözleşmeler kullanılarak kamu blokzincir tabanlı simülasyon ortamında karar ağaçları, kümeleme ve pekiştirme öğrenme (Q-öğrenme) gibi ML algoritmalarını uygular. Simülasyon, hem pazar dinamiklerini hem de sanatçı güvenilirliğini yansıtan özelleştirilmiş bir veri seti kullanıyor. Veri seti, kontrollü deneysel koşulları koruyarak bir NFT pazar yerini taklit etmek üzere sentetik olarak oluşturulmuştur; bu da değişken gerçek dünya pazarlarına doğrudan uygulanabilirliği sınırlayabilir. Sıfır bilgi kanıtları (ZKP'ler) gizliliği korumak için kullanılır. ZKP'ler mahremiyeti korumak için kullanılır. NFT fiyat tahmini ve stratejik teklif için ML modellerinin karşılaştırmalı analizi, öngörücü algoritmaların pekiştirici öğrenme ile birleştirilmesinin etkinliğini göstermektedir. Lineer Regresyon ve Random Forest modelleri NFT fiyatlarını doğru tahmin eder; Random Forest ise daha yüksek gerçek zamanlı tahmin doğruluğu sağlar (R2 = 0.9920). K-Means kümelenmesi, pazar katılımcılarını hedefli müzakereyi desteklemek için etkili şekilde segmentlere ayırır ve 0.8178 siluet puanı elde eder. Q-öğrenmesini Random Forest ile entegre etmek, önerilen ve gerçek fiyatlar arasındaki farkı en aza indiren dinamik teklif stratejilerini mümkün kılar. Ayrı eylem seti (azaltma, kal, artırma) yorumlanabilir, gerçek zamanlı teklif ayarlamalarını destekler. Bu bulgular, makine öğrenimi odaklı NFT ticaret sistemlerinin, akıllı şehirlerde ölçeklenebilir, gizlilik uyumlu dijital pazar yerlerini destekleme potansiyelini ortaya koyuyor; böylece ticaret davranışını otomatik, veri odaklı süreçler aracılığıyla piyasa talepleriyle uyumlu hale getiriyor.

Introduction

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

Blokzincir teknolojisi ile Değiştirilebilir Olmayan Tokenların (NFT) birleşimi, özellikle akıllı şehirler içinde dönüştürücü bir dijital varlık sahipliği ve ticaret modeli getirdi. Bu ortamda, Dijital Sanat Eserleri Ticareti Çerçevesi, sanatçıların eserlerinden para kazanmasını sağlar ve koleksiyonculara merkezi olmayan altyapı aracılığıyla doğrulanabilir sahiplik sunar. Bu, şeffaflık, izlenebilirlik ve otomasyon gibi akıllı şehir hedefleriyle iyi uyum sağlar. Yüksek işlem ücretleri, sınırlı birlikte çalışabilirlik ve yetersiz telif hakkı denetimi gibi çeşitli faktörler, bu sistemlerin benimsenmesini ve ölçeklenebilirliğini engellemektedir.

Artan bir temel araştırma koleksiyonu bu konuları farklı açılardan inceliyor. Vujicic ve ark.1 ve Kumar ve ark.2 , NFT ticaretini destekleyen merkeziyetsiz finans ve yenilikçi sözleşme mekanizmalarının teknik genel bakışlarını sunar. Ante ve ark.3 ve Guan ve ark.4 , NFT pazarlarının ekonomik davranışlarını ve kullanıcı deneyimlerini inceleyerek paydaşlar arasındaki volatilite ve stratejik davranışları vurgular. Dijital sanatın ötesindeki uygulamalar—atıkyönetimi 5, güvenli yapay zekaticareti 6 ve yasal uyumluluk7 gibi—NFT platformlarının merkeziyetsiz ekosistemlerde çok yönlülüğünü ve artan faydasını gösteriyor.

Bu platformları geliştirmek için disiplinlerarası yaklaşımlar da ortaya çıkmıştır. Oyun teorisi, Sun ve ark.8, Gao ve ark.9 ile Shao ve ark.10'un çalışmalarında görüldüğü gibi, teşvik yapıları, sahiplik anlaşmazlıkları ve düzenleyici uyumu ele almak için kullanılmıştır. Bu çalışmalar, adil davranışı ve verimli kaynak tahsisini teşvik etmek için denge tabanlı ve ceza odaklı modeller tasarlamaktadır. Aynı zamanda, NFT ekosistemlerinde dolandırıcılık tespiti, fiyat tahmini ve içerik değerlemesini iyileştirmek için makine öğrenimi (ML)teknikleri tanıtılıyor 11,12 ve işlem verimliliğini optimize etmek için veri odaklı stratejilersunuyor 9,10. Son çalışmalar, derin öğrenme ve görsel özellikler kullanarak NFT fiyat tahminini incelemeye başladı. Seyhan ve Sefer13, hem birincil hem de ikincil NFT satış fiyatlarını tahmin etmek için derin öğrenme modeli önermiş ve temel modellere göre daha iyi doğruluk göstermiştir. Benzer şekilde, Pala ve Sefer14, satış özelliklerini tahmin etmek için görüntü tabanlı NFT özellikleri üzerinde transfer öğrenimini kullanarak, fiyat belirlemede görsel özelliklerin önemini vurguladı. Bu çalışmalar, alternatif veri modalitelerini vurgulayarak yaklaşımımızı tamamlarken, çerçevemiz dinamik ve uyarlanabilir ticaret için makine öğrenimini oyun teorisi müzakereleriyle bütünleştiriyor.

Son literatürler, blockchain ve NFT teknolojilerinin dijital ekosistemleri güvence altına alma ve pazar dinamiklerini yeniden yapılandırmadaki artan etkisini vurguluyor. Blockchain entegrasyonu, dijital platformlarda, özellikle oyun ve sanal ekonomilerde varlık güvenliğini, dolandırıcılığa karşı direnci ve merkeziyetsiz sahipliği artırır15. Aynı zamanda, NFT odaklı kripto estetiği ve merkeziyetsiz sanat piyasaları, sanatsal değeri, sahipliği ve kültürel üretimi yeniden şekillendiren karmaşık sosyoteknik etkileşimleriortaya koyarken, ampirik çalışmalar NFT fiyatlandırmasının ağırlıklı olarak kıtlık, yaratıcı itibarı ve piyasa dinamikleri tarafından yönetildiğinigösteriyor 18. Nicel ve ağ tabanlı analizler, stratejik optimizasyon ve yapılandırılmış etkileşim ağlarının merkezi olmayan pazarlar ve ilgili sistemlerde ekonomik sonuçları, istikrarı ve başarı kalıplarını önemli ölçüde etkilediğinigöstermektedir 19,20.

Bu gelişmelere rağmen, mevcut NFT ticaret çerçeveleri—özellikle Kooperatif Oyun Teorik Ticareti (CoGTT) temelli olanlar—uyum sağlama ve karar alma yetenekleri açısından sınırlıdır. Şekil 1, önerilen ML artırılmış kooperatif oyun teorisi ticaret (CoGTT) çerçevesinin mimari diyagramını göstermektedir. Mevcut modeller ağırlıklı olarak statiktir ve genellikle karmaşık ve dinamik piyasa koşullarını ve kullanıcı davranışını hesaba katmayan sezgisel veya kural tabanlı stratejilere dayanır. Bu durum verimsiz işlemlere, kötü fiyatlandırma stratejilerine ve sınırlı işlem adaletine yol açar.

Bu araştırma, bu sınırlamaları gidermek için merkezi olmayan dijital varlık ticaret platformları için Makine Öğrenimi–Artırılmış CoGTT Çerçevesi önermektedir. Üç aşamaya ayrılmış olan bu çerçeve, ML ile güçlendirilmiş Naif Ticaret, Min-Max Fiyat Müzakere ve Denge Tabanlı Ticaret—denetlenen, denetimsiz ve pekiştirici öğrenme tekniklerini kullanarak piyasa analizi, stratejik müzakere ve denge keşfini geliştirir. Özellikle, sınıflandırma modelleri (örneğin, Karar Ağaçları), kümeleme algoritmaları (örneğin, K-Ortalamalar) ve dinamik öğrenme yöntemleri (örneğin Q-öğrenme) ticaret eşleştirmesi, fiyat belirleme ve müzakere stratejisini optimize etmek için kullanılır.

Bu makine öğrenimi destekli mimari, akıllı sözleşme destekli blok zinciri platformu (burada Ethereum blok zinciri) üzerinden uygulanır ve işlemlerin merkeziyetsiz, şeffaf ve otonom yürütülmesini sağlar. Kullanıcı verilerini korumak ve gizliliği korumak için ZKP'ler entegre edilmiştir; bu da hassas bilgileri açığa çıkarmadan işlemlerin kriptografik olarak güvenli doğrulanmasını sağlar. Makine öğrenimi odaklı içgörüler, tahmin edilen fiyatları ve gerçek zamanlı piyasa dinamiklerine yanıt veren uyarlanabilir eşikleri gömleyerek akıllı sözleşme mantığını doğrudan etkiler.

Özetle, bu çalışma, açık bir blok zincirinde ölçeklenebilir, gizliliği koruyan ve akıllı bir ticaret çerçevesi sunar; Tablo 1'de gaz ücreti ve dağıtım maliyeti hesaplama tablosu bulunur; bu da NFT işlem sistemlerinin verimliliğini ( Tablo 2 ve Tablo 3'te yansıttığı gibi), güvenilirliğini ve uyum sağlar. Makine öğrenimini oyun teorisi mantığı ve blok altlığı altyapısıyla sıkı bir şekilde entegre ederek, önerilen çözüm akıllı şehirlerin hedefleriyle uyumludur—dijital varlık değişimi için güvenli, adil ve kullanıcı kapsayısı bir platform sunmak.

Bu çalışma, makine öğrenimini iş birliği yapan oyun teorisi ticareti (CoGTT) ile entegre eden hibrit bir çerçeve önererek NFT tabanlı dijital sanat pazarlarında fiyatlandırma, müzakere ve karar alma süreçlerini desteklemektedir. Öngörücü modeller, işlem otomasyonu, adalet ve güvenlik işlemlerini artırmak için akıllı sözleşmelerle birleştirilir. Gizlilik ve uyum gereksinimlerini karşılamak için ZKP'ler fiyat eşleştirme, sahiplik doğrulaması ve doğruluk doğrulaması için kullanılır. Çerçeve, makine öğrenimi destekli saf ticaret, minimum maksimum fiyat müzakere ve denge tabanlı ticaretten oluşan üç aşamalı bir yapıyı benimseyerek, ölçeklenebilir NFT pazarı operasyonları için koordineli bir yaklaşım sunar.

Tablo 4'teki karşılaştırmalı analiz 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38, dijital pazarlar, IoT güvenliği ve enerji sistemleri gibi merkeziyetsiz alanlarda blokzincir, NFT'ler, makine öğrenimi ve oyun teorisi modellerinin entegrasyonunu vurguluyor. Önceki çalışmalar, gelişmiş öğrenme modelleri ile blok zinciri mekanizmalarının birleştirilmesinin fiyatlandırma doğruluğunu, güvenliği, şeffaflığı ve denge optimizasyonunu artırdığını göstermektedir. Ampirik ve analitik kanıtlar, hibrit ML–blok zinciri çerçeveleri aracılığıyla verimlilik, dolandırıcılık önleme, maliyet azaltımı ve adil teşvik tahsisindeki iyileşmeleri göstermektedir.

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

Protocol

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

Blokzincir tabanlı NFT sanat eserleri ticareti için çerçeve, akıllı sözleşmeleri, gizlilik koruma mekanizmalarını, oyun teorisi modellemesini, makine öğrenimi algoritmalarını, pekiştirme öğrenimini ve gaz maliyeti değerlendirmesini birleşik bir mimari içinde entegre eden çok katmanlı bir protokol olarak yapılandırılmıştır.

Süreç, katılımcı kaydı, varlık listelenmesi, sipariş gönderimi ve işlem yürütme gibi temel işlevleri tanımlayan akıllı sözleşmelerin geliştirilmesiyle başlar. Bu sözleşmeler, kullanıcıların işe alımı, varlık kaydı ve güvenli sipariş işlemesini mümkün kılar. Doğruluk ve verimlilik değerlendirmek için sözleşme mantığı test edildi ve uygulama maliyetleri farklı işlem hızı ayarlarında kaydedildi.

ZKP'ler, hassas detayları açıklamadan sanat eserlerinin orijinalliğini doğrulamak için dahil edilmiştir. Her işlem, zincir içi kontroller ve ZKP doğrulaması ile çift doğrulamadan geçerek gizlilik ve veri bütünlüğü sağlanır. Modüler ZKP tasarımı, ana akıllı sözleşmelerden bağımsız olarak çalışır, entegrasyon ve dağıtımı ölçekli destekler. Kanıt üretimi ve doğrulama gecikmesi fizibilite değerlendirmek için değerlendirildi.

Web tabanlı bir arayüz, genel amaçlı bir çerçeve kullanılarak uygulanmıştır. Arayüz, bir açılış sayfası, sanatçı panosu ve ticaret platformu gibi modüller içerir. Cüzdan tabanlı kimlik doğrulama, işlem imzalamayı sağlarken, yükleme ve basma işlevleri sanatçıların dijital eserleri tokenize etmesine olanak tanır.

Piyasa tasarımı düzeyinde, Kooperatif Oyun-Teorik Ticaret (CoGTT) modeli, yapılandırılmış üç aşamalı müzakere mekanizması kullanır. İlk aşama, gönderilen teklifler ve taleplere dayalı olarak doğrudan fiyat eşleştirmesi uygulanır. Eşleşmeyen katılımcılar, ara nokta değerleme yöntemleri dahil olmak üzere müzakere edilen minimum maksimum fiyatlandırma stratejileri kullanılarak ikinci aşamaya geçer. Eğer bir anlaşmaya varılmazsa, işlemler üçüncü aşamaya geçer; burada Nash denge ilkeleri uygulanır ve yinelemeli müzakereler denge-yakınsak fiyatlara ulaşılana kadar devam eder. Bu aşamalar modüler algoritmalar olarak uygulanır: naif eşleştirme (Algoritma 1), orta nokta aracılık (Algoritma 2), Nash denge ticareti (Algoritma 3) ve entegre iş akışı (Algoritma 4).

Makine öğrenimi modelleri, karar desteği için işlem sürecine entegre edilmiştir. Teklifler, talepler, işlem hacmi, tarihsel fiyat verileri ve itibar puanları gibi piyasa özellikleri öngörücü modelleme için kullanılır. Doğrusal Regresyon (Algoritma 5), adil fiyatları tahmin eder ve performans ortalama kare hata (MSE) kullanılarak değerlendirilir. K-Means kümeleme (Algoritma 6), özellik normalizasyonu ve PCA tabanlı boyut küçümleme ile desteklenir, kullanıcıları siluet puanıyla değerlendirilen kümelere ayırır. Random Forest (Algoritma 7), hem MSE hem de R2 ile doğrulanan ek fiyat tahminleri sunar. Bütünleşik bir algoritma (Algoritma 8), regresyon, kümeleme ve Rastgele Orman çıktılarını uyarlanabilir işlem için dinamik bir karar akışında birleştirir.

Q-öğrenme yoluyla pekiştirici öğrenme, teklif stratejilerini optimize etmek için uygulanır. Durum alanı, mevcut fiyat seviyeleri ve teklif değerleriyle tanımlanırken, eylemler artırma, azaltma veya tutma içerir. Bir Q-ajanı, Random Forest tahminlerinden gelen geri bildirimlerle eğitilir; fiyatlandırma hatasını azaltan ve katılımcı faydasını artıran politikalar öğrenir. Simülasyonlar, denge uyumlu politikalara yakınsaya kadar yapılır ve çıktılar simüle edilmiş ticaret ortamlarında doğrulanır.

Her sözleşme fonksiyonu için gaz tüketimi sistematik olarak kaydedilir ve işlem maliyetleri değişen hız ayarlarında hesaplanır. Örneğin, registerArtist() fonksiyonu 90.123 gaz birimi tüketmiş ve buna karşılık gelen maliyetler piyasa ETH fiyatlarıyla karşılaştırılmıştır. Bu değerlendirmeler, maliyet ile uygulama verimliliği arasındaki uzlaşmaları belirler.

Çerçevenin performansı birden fazla metrik kullanılarak değerlendirildi. Doğrusal regresyon 10⁻28 × 4,54 MSE elde ederken, K-Means kümelenmesi 0,8178 siluet puanı verdi. Random Forest, 0.1311 MSE ve 0.9920R2 vermiştir. Q-öğrenme çıktıları, farklı fiyatlandırma koşullarında yakınsamama ve denge uyumu açısından değerlendirildi. Bu sonuçlar, blokzincir tabanlı piyasa koşullarında NFT sanat eserleri ticaretini desteklemek için önerilen yaklaşımın uygulanabilirliğini göstermektedir.

Dijital sanat ticareti için önerilen kooperatif oyun teorik ticaret (CoGTT) çerçevesi

Yenilikçi hibrit yaklaşım kooperatif oyun teorik ticaret (CoGTT) çerçevesi, oyun teorisi NFT ticaret yaklaşımını ek fiyatlandırma mekanizmaları ve Nash dengesi ile birleştirerek NFT piyasalarının verimliliğini ve koordinasyonunu artırır. Önerilen yaklaşım, akıllı sözleşme tabanlı bir blokzincir platformu üzerine inşa edilmiştir. Bu yaklaşım, güvenli ve özel işlem doğrulamasını sağlamak için gelişmiş kriptografik teknikler ve ZKP'leri kullanır. ZKP'ler, alıcılar veya satıcılar hakkında hassas bilgileri açıklamadan sahiplik ve işlem detaylarının doğrulanmasına olanak tanır.

Bu önerilen yaklaşım, yaratıcılar, alıcılar ve ara brokerlar arasında merkezi olmayan bir pazar içinde stratejik etkileşimler başlatıyor. Bu model, tüm katılımcılar için teşvikleri dengeleyerek rekabet ve iş birliği dinamiklerini dikkate alarak ticaret sonuçlarını optimize etmeyi amaçlar. Önerilen çerçeve esas olarak saf alım-satış eşleştirmesi, orta nokta tabanlı müzakere ve Nash denge tabanlı uzlaşmaya odaklanırken, ikinci fiyat açık artırmaları gibi diğer yöntemler NFT piyasalarında da mevcuttur ve geçerliliğini koruyor. Dijital sanat eserleri ticaretinde, açık artırma görevlisi işlem fiyatını şu yaklaşımlarla belirler:

Tüketici teklif fiyatı: Fiyat, alıcının en yüksek teklifine doğrudan göre belirlenir. Bu yöntem, alıcının eser için ödeyeceği maksimum değeri yansıtır ve rekabetçi teklifleri teşvik eder.

Ortalama fiyat yöntemi: Fiyat, alıcının teklif ettiği fiyat ile satıcının talep ettiği fiyat arasındaki orta nokta olarak hesaplanır ve bir denge oluşturur. Bu denge fiyatı hesaplaması:

Denge (EPrice) = DArtAPrice + DArtBPrice

Bu yaklaşım, hem alıcının hem de satıcının çıkarlarını dengelemeyi ve adil ve karşılıklı kabul edilebilir bir işlem sağlamayı amaçlar. Bu yöntemler, dijital sanat eserleri ticaret ekosistemindeki çeşitli tercihler ve piyasa dinamiklerine hitap ederek fiyatlandırma stratejilerinde esneklik sağlar.

3 aşamalı oyun teorisi temelli işbirlikçi ticaret modeli

Bu bölüm, dijital sanat eserleri için özel olarak tasarlanmış yenilikçi bir 3 aşamalı oyun teorisi tabanlı kooperatif ticaret yaklaşımını tanıtıyor. Bu yaklaşım, işlem verimliliği ve adaletini optimize etmek için hem teklif hem de talep fiyatlarını dinamik olarak ayarlar; bu durum Tablo 2 ve Tablo 3'te gösterildiği gibi, bir aracı kurum tarafından sağlanır. Merkeziyetsiz NFT pazarlarında adalet, verimlilik ve kârlılığı artırmayı, yaratıcılar ile sanat eserleri alıcılarının çıkarları arasında bir denge kurmayı amaçlıyor. Şekil 2 , dijital sanat eserleri için önerilen 3 aşamalı ticaret sistemi modelini, Algoritma 4'te sunulan ayrıntılı algoritma ile birlikte göstermektedir. Önerilen CoGTT çerçevesi, dijital sanat eserleri işlem sürecini üç aşamada verimli bir şekilde tamamlar: a) İstek ve teklif fiyatlarına dayalı saf ticaret, b) Müzakere edilen Min-Max Fiyatına dayalı işlem ve c) Nash Denge yöntemiyle işlem yapma. İlk aşamada, yaratıcılar ve alıcılardan alınan ilk bilgilere dayanarak naif ticaret başlatılır. İkinci aşama, kalan işlem görülmemiş talepler için satıcılar ve alıcılar arasında müzakere edilen minimum maksimum fiyatlara dayalı işlem yapılır. Son olarak, üçüncü aşama işlem sürecini tamamlamak için Nash Denge yöntemini kullanır.

Birinci aşama - İstek ve teklif fiyatına bağlı saf ticaret:

İlk aşamada, dijital sanat eserleri yaratıcıları (sağlayıcılar), talep edilen fiyatlara ve minimum satış fiyatlarına göre artan sırayla organize edilir. Benzer şekilde, alıcılar (tüketiciler) sunulan teklif fiyatlarına ve maksimum teklif fiyatlarına göre artan sırayla sıralanır. Yaratıcıların minimum talep fiyatı ve alıcıların maksimum teklif fiyatı gizli tutulur. Daha sonra alıcı ve yaratıcıları eşleştirmek için işbirlikçi bir yaklaşım uygulanır; böylece alıcıların teklif fiyatları yaratıcıların talep fiyatlarıyla uyumlu hale gelir ve sanat eserlerinin tahsisi kolaylaşır. Bu tahsis, toplam talep fiyatları alıcının teklif hakkı içinde olduğu sürece tek bir yaratıcıyı veya birden fazla yaratıcıyı içerebilir. Fiyatlandırma kısıtlamaları nedeniyle bu aşamada sanat eserlerini temin edemeyen alıcılar ikinci aşamaya geçecek. Ticaret yaklaşımının detayları Algoritma 1'de özetlenmiştir.

İkinci aşama - Pazarlık edilen minimum-maksimum fiyatla işlem

İkinci aşamada, eşsiz alıcıların talepleri, dijital sanat yaratıcılarından minimum talep fiyatları ve alıcılardan maksimum teklif fiyatları kullanılarak işlem sürecini tamamlamak üzere ele alınır. Ticaret yaklaşımı, Orta Değer, Gün İçi Orta Nokta Değeri ve Piyasa Dengesi gibi çeşitli yöntemler kullanarak işlem verimliliğini artıran bir orta nokta değeri belirler. Bu orta nokta yaklaşımlarının ayrıntıları aşağıdaki alt bölümlerde ele alınmaktadır. Ticaret yaklaşımının detayları Algoritma 2'de verilmiştir.

Orta değer: Yaratıcılar ile alıcılar arasında orta değeri bulmak için basit bir orta değer yaklaşımıyla entegre edilen bir aracılık yaklaşımı. Örneğin, dijital bir sanat için teklif fiyatı 50 ve istenen fiyat 52 ise, o zaman teklif ve sorma fiyatlarının ortalaması alınarak orta değer bulunabilir.

figure-protocol-1

Gün içi orta nokta değeri: Entegre aracılık yaklaşımı, aynı sanat türlerinin minimum işlem fiyatını işaretler, aynı sanat türlerinin maksimum fiyatını da belirtir ve orta değeri hesaplamak için aşağıdaki formülü kullanır: (Günün Mevcut Zirvesi + Günün En Düşük Seviyesi)/2. Bu orta değer, orta değer sanat yaratıcısının minimum talep fiyatından ve alıcının maksimum teklif fiyatından daha azsa, işlem fiyatı olarak belirlenir.

Piyasa dengesi: Orta fiyat, piyasa dengesinin önemli bir göstergesidir. Bu, sanat yaratıcısının (istenen fiyat) ve alıcının (teklif fiyatı) bir varlık için hizalandığı fiyatı yansıtır. Bu değer, en yüksek teklif fiyatı ile en düşük istenen fiyatın ortalaması alınarak hesaplanır; böylece yatırımcılara mevcut piyasa değerinin adil bir temsili sunar ve aşırı alım veya talep fiyatlarından etkilenmez. Formül aşağıdaki 3 denklemde sunulmaktadır.

 figure-protocol-2

figure-protocol-3

figure-protocol-4

Üçüncü aşama - Nash denge yöntemiyle işlem

Üçüncü adımda, kalan işlem yapılmayan taleplerin genişletilmiş bilgileri, örneğin yaratıcıdan minimum talep fiyatı ve alıcının maksimum teklif fiyatı, alıcının teklif fiyatının istediği kadar yüksek olduğu ve yaratıcının talep fiyatının kabul etmeye razı olduğu en düşük seviyede olduğu bir denge noktasında karar kabul etmelerini sağlar. Ticaret yaklaşımının detayları Algoritma 3'te sunulmaktadır.

Çerçevenin birinci ve ikinci aşamalarında, fiyatların stratejik yanlış raporlanmasını önlemek için gizlilik ve teşvik uyumu uygulanır. Alıcıların maksimum ödeme istekliliği ve içerik üreticilerinin kabul edilebilir asgari fiyatları, tahsis sırasında gizli değerler olarak korunur; bu da az raporlama veya abartı yoluyla manipülasyon fırsatlarını sınırlar. Eşleştirme kararları, açık açıklamalar yerine aralıklara (minimum talep ve maksimum teklif) dayandığı için, fiyatların yanlış bildirilmesi girişimleri, Faz 1 veya Faz 2 tahsisatlarından dışlanma olasılığını artırır ve böylece işlem fırsatlarını azaltır. Ayrıca, önceki işlemler başarısız olduğunda protokol Nash Dengesi'ne dayalı üçüncü bir aşamaya geçer. Bu aşamada, yinelemeli ayarlamalar, katılımcıların gerçek değerlemelerini daha doğru yansıtan sonuçlar üzerinde yakınsama sağlar. Bu ilerleme, manipülasyon girişimlerinin başarısız olması sadece uygulamayı ertelediği ve başarılı bir işlem tamamlanması için değerlemelerin dürüst açıklanmasını gerektirdiği için erken aşamalarda yanlış raporlamaları caydırır.

Makine öğrenimi (ML) algoritmalarının çıktıları izole tahminler olarak ele alınmaz, fiyatlandırma, müzakere ve denge keşfini yönlendirmek için üç aşamalı kooperatif oyun teorisi ticaret (CoGTT) çerçevesine aktif olarak gömülür. Bağlantılar şu anda şu şekilde tanımlanmaktadır:

Faz 1-Doğrusal regresyonla naif ticaret: Doğrusal regresyon modeli, alım ve talep özelliklerini tarihsel trendlerle karşılaştırarak adil bir fiyat kıvertkodu oluşturur. Bu tahmin edilen adil fiyat, alıcının gönderdiği teklif ve içerik üreticisinin istenen fiyatıyla karşılaştırılır. Taraflardan biri tahmin edilen adil fiyattan önemli ölçüde sapan bir değer bildirirse, tahsis önceliksizleştirilir ve yanlış raporlama teşvikleri azalır. Bu nedenle, regresyon çıktısı, doğrudan tahsis için hangi işlemlerin uygulanabilir olduğunu belirleyen bir filtreleme mekanizması olarak görev yapar.

Faz 2- Rastgele ormanla maksimum maksimum müzakere: Rastgele orman modeli, dinamik fiyat tahminini teklif-talep spreadleri, işlem hacmi ve itibar puanlarını dahil ederek iyileştirir. Bu tahminler, doğrudan orta nokta tabanlı müzakere yöntemlerini (Orta Değer, Gün İçi Orta, Piyasa Dengesi) kalibre etmek için kullanılır. Örneğin, orta nokta fiyatı hesaplandığında, rastgele orman tahmini, pazarlık edilen değerin piyasa davranışıyla tutarlı olmasını sağlamak için düzeltici bir faktör olarak uygulanır. Bu entegrasyon, aracılık sonuçlarının rastgele aritmetik orta noktalar yerine öğrenilen piyasa kalıplarına bağlı olmasını sağlar.

Aşama 3- K anlamıyla kümeleme ile denge tabanlı ticaret: Bu aşamada, alıcı ve satıcı katılımcılar önce davranışsal özelliklere (alım/sorma agresifliği, itibar, tarihsel faaliyet) göre kümelere ayrılır. Bu segmentasyon, karşılaştırılabilir katılımcılar arasında denge müzakerelerinin gerçekleşmesini sağlar; bu da volatiliteyi azaltır ve adaleti artırır. Böylece küme atamaları, denge keşfinde fiyatların dikkate alınabileceğine dair grup düzeyinde kısıtlamalar olarak hizmet eder.

Güçlendirme öğrenme (Q-öğrenme) entegrasyonu: Q-öğrenme, dinamik teklif stratejilerini optimize etmek için rastgele orman tahminleri üzerine inşa edilir. Temsilci her teklifi ayarladığında (azaltma, tutma veya artırma), ödül sinyali Random Forest-tahmin edilen adil fiyata göre hesaplanır. Birden fazla bölüm boyunca, Q-ajanı fiyatlandırma hatasını en aza indiren ve faydayı maksimize eden politikaları öğrenir ve bu politikalar doğrudan Faz 3 denge ticaretinde uygulanır. Pratikte, bu durum, alıcıların denge keşfi sırasında yaptığı teklif ayarlamalarının, eğitim simülasyonları sırasında optimize edilen ve doğrulanmış stratejilerle bilgilendirildiği anlamına gelir.

Bu mekanizmalar birlikte, ML çıktılarının CoGTT fazlarıyla sıkı bağlantılı karar destek motorları olarak hizmet ettiğini gösterir. Doğrusal regresyon gerçekçi başlangıç tahsisatlarını zorunlu kılar, Random Forest müzakereleri ampirik piyasa davranışına dayandırır, denge sürecini kümeler, Reinforcement Learning ise uyarlanabilir strateji iyileştirmesini destekler. Algoritmik tahminleri operasyonel karar noktalarına açıkça bağlayarak, çerçeve ticaretin sadece otomatikleştirilmesini değil, aynı zamanda piyasaya uyarlanabilir zekayla da bilgilendirilmesini sağlar.

Veri setleri, özellikler ve tekrarlanabilirlik çerçevesi

Veri seti tanımı ve motivasyonu

NFT ve dijital varlık ticaret ortamları, alıcı teklif fiyatı, satıcı talep fiyatı, tarihsel işlem fiyatı, işlem hacmi ve katılımcı itibarı gibi birden fazla piyasa ve katılımcı özelliğiyle karakterize edilir. Kamuya açık hiçbir NFT veri seti aynı anda tüm bu özellikleri sağlamadığından, bu çalışma, gerçekçi piyasa davranışını korurken kontrollü protokol doğrulamasını mümkün kılmak için sentetik olarak oluşturulmuş veri setleri kullanmaktadır. Veri seti boyutları, deneysel senaryo ve model gereksinimlerine bağlı olarak 100 ila 1000 işlem arasında değişir.

Her veri seti kaydı aşağıdaki alanlardan oluşur: Teklif, Sor, Tarihsel Fiyat, Hacim, İtibar ve Adil Fiyat; burada adil fiyat, teklif ve istbe değerlerinin aritmetik ortalaması olarak tanımlanır.

Sentetik veri üretim süreci:

Alıcı teklifleri, küçük ölçekli deneyler için [90, 110] ve büyük ölçekli simülasyonlar için [100, 1000] gibi aralıklar kullanılarak sınırlı uniform dağılımlardan örneklenir. Satıcı talep fiyatları, ilgili tekliflere pozitif bir stokastik ofset ekleyerek gerçekçi alım-satış farkları modellenerek oluşturulur. Tarihsel fiyatlar, piyasa dalgalanmasını simüle etmek için ek gürültüyle teklif değerlerine odaklanan normal dağılımlardan alınır. İşlem hacimleri, önceden tanımlanmış aralıklar içinde tam sayı değerleri olarak üretilir (örneğin, [1, 10] veya [100, 1000]), katılımcı itibar puanları ise [0, 1] (normalleştirilmiş güven puanları) veya [0, 5] (yıldız derecelendirme temsili) şeklinde tekiz dağılımlardan örneklenir. Tüm deneyler, deterministik ve tekrarlanabilir veri seti yeniden yapılandırmasını sağlamak için sabit rastgele tohumlar (numpy.random.seed(42)) kullanır.

Veri şeması, depolama ve erişim

Tüm veri setleri sabit altı sütunlu bir şema ile CSV formatında saklanır: (bid, ask, historical_price, volume, reputation, fair_price). Her CSV dosyası genellikle yaklaşık 1.000 kayıt içerir, aksi belirtilmedikçe. Merkeziyetsiz tekrarlanabilirlik için, veri seti dosyaları IPFS'ye yüklenir ve ilgili içerik tanımlayıcıları (CID'ler) akıllı sözleşme adresleriyle birlikte yapılandırma dosyalarında kaydedilir. Bu tasarım, merkezi depolama gerektirmeden aynı veri setlerinin bağımsız olarak alınmasına olanak tanır.

Veri seti hazırlama ve bölme

Veri setleri, random_state=42 ile uygulanan train_test_split ile uygulanan 80/20 tren–test bölünmesi kullanılarak eğitim ve test alt kümelerine ayrılır. Random Forest hiperparametre ayarlaması sırasında beş katlı çapraz doğrulama uygulanırken, özellikle kümeleme ve PCA tabanlı iş akışları için StandardScaler() kullanılarak özellik ölçeklendirme uygulanır.

Makine öğrenimi modelleri ve parametrizasyon

Tüm makine öğrenimi modelleri, tekrarlanabilirliği sağlamak için sabit yapılandırmalara sahip yerleşik kütüphaneler kullanılarak uygulanır. Parametrelerin ve değerlerin tam bir özeti aşağıdaki tabloda sunulmaktadır. Lineer Regresyon (LR), en az kare tahmin cihazını kullanır; girdiler olarak teklif, talep fiyatı, tarihsel fiyat, hacim ve itibar, hedef değişken olarak ise adil fiyat kullanılır. Performans, Ortalama Kare Hata (MSE) kullanılarak değerlendirilir. K-Means Kümeleme, ölçeklenmiş özellik alt kümelerine uygulanır ve isteğe bağlı olarak Ana Bileşen Analizi (PCA) kullanılarak azaltılır; iki bileşen %90'dan fazla varyansı yakalar. Küme sayısı, dirsek ve siluet kriterleri kullanılarak 2–3 aralığında seçilir. Rastgele Orman Regresyonu (RF), 100–200 ağaçla doğrusal olmayan fiyat tahmini için kullanılır; derinlik ve bölünme parametreleri beş katlı çapraz doğrulama ile ayarlanır. Model performansı MSE ve R2 kullanılarak değerlendirilir. Q-Learning, 31 ayrık fiyat durumu, üç teklif-ayarlama eylemi ve sabit öğrenme parametreleri (α = 0.1, γ = 0.9, ε = 0.1) içeren tablo şeklinde pekiştirme öğrenme yaklaşımı olarak uygulanır. Yakınsama, epizodik ödüllerin stabilizasyonu yoluyla değerlendirilir. Hesaplamalı olarak, Doğrusal Regresyon ve K-Ortalamalar 10-3 örnekle kadar veri setlerinde saniyeler içinde tamamlanır, Rastgele Orman eğitimi ölçeke bağlı olarak saniyeler ile dakikalar arasında gerçekleşir ve Q-öğrenme düşük boyutlu durum uzayı sayesinde verimli şekilde yakınsamaya çalışır.

Blokzincir yürütme, gizlilik ve maliyet kaydı

Akıllı sözleşme dağıtımı ve uygulanması

İşlem mantığını kodlayan akıllı sözleşmeler, Solidity (pragma ^0.8.20) ile yazılır ve derleyici optimizasyonu etkinleştirilmiş (200 çalışma) ile birlikte standart geliştirme çerçeveleri kullanılarak Sepolia test ağında dağıtılır. Cüzdan tabanlı işlem imzalama, RPC uç noktası üzerinden bağlanmış tarayıcı tabanlı bir cüzdan üzerinden gerçekleştirilir. Sözleşme dağıtımı ve işlem fonksiyonları için gaz kullanımı otomatik olarak kaydedilir ve uygulama maliyetleri eşzamanlı ETH/USD dönüşüm oranları kullanılarak hesaplanır.

Sıfır bilgi ispatı entegrasyonu

Gizlilik koruma doğrulaması, ZK-SNARK boru hattı aracılığıyla uygulanır; bu hatt, devreler derleme, güvenilir kurulum, kanıt oluşturma ve zincir içi doğrulama içerir. Kanıtlar, ana işlem sözleşmesinin yanında yerleştirilen özel bir doğrulama sözleşmesi kullanılarak zincir dışı oluşturulur ve zincir üzerinde doğrulanır; böylece hassas katılımcı verileri ortaya çıkmadan sahiplik ve işlem doğruluğu doğrulanmasını sağlar.

Yazılım ortamı ve yürütme iş akışı

Tüm deneyler, sabit donanım konfigürasyonuna sahip 64-bit Linux sisteminde gerçekleştirilir. Makine öğrenimi iş akışları Python ortamında yürütülürken, blokzincir geliştirme ve ön uç etkileşimi sabit çerçeve sürümlerine sahip JavaScript tabanlı bir yığına dayanır. Ön uç uygulamalar paket yöneticisi kullanılarak oluşturulur ve servis edilir, akıllı sözleşmeler standart geliştirme çerçeveleri kullanılarak derlenir ve dağıtılır, ZKP doğrulaması ise işlem yürütme akışına entegre edilir.

Bağımsız çoğaltmayı kolaylaştırmak için tekrarlanabilirlik dosyasında tam yazılım sürümleri, derleyici bayrakları, cüzdan yapılandırmaları, IPFS sabitleme politikaları, yürütme komutları ve örnek CID'ler belgelenir.

Operasyonel sonuçlar ve tamamlanma oranları

Konuşlandırılan protokolün sağlamlığı, uygulama istatistiklerinde yansımaktadır. Temel akıllı sözleşme fonksiyonları, tüm işlem işlemlerinde %84 başarı oranına sahip olmak üzere yüksek tamamlanma oranlarına ulaşır. Detaylı fonksiyon düzeyinde uygulama sayıları ve tamamlanma oranları ilgili sonuçlar tablosunda bildirilir.

Algoritmalar

Bu bölüm, bir brokerın mevcut sanat eserleri birimlerini ve içerik üreticilerinden istenen fiyatları ile kullanıcılardan gerekli birim ve teklif fiyatlarını topladığı üç aşamalı bir kooperatif oyun teorisi dijital sanat sanatı işlem sistemi sunmaktadır. Önerilen yaklaşıma dayanarak, aracı kurum içerik üreticileri ile kullanıcılar arasındaki işlemleri kolaylaştırır. Ticaret süreci üç farklı aşamada gelişir: İlk aşamada, Algoritma 1'de belirtildiği gibi, talep ve teklif fiyatlarına saf bir işlem algoritması uygulanır. İkinci aşama, Algoritma 2'de sunulan minimum maksimum fiyat pazarlık tabanlı bir işlem algoritması tanıtır. Son olarak, üçüncü aşama, Algoritma 3'te detaylandırılan Nash Dengesi tabanlı bir ticaret algoritmasını kullanır ve Algoritma 4 üç algoritmayı kapsamlı üç aşamalı kooperatif oyun teorisi dijital sanat eserleri ticaret yaklaşımına entegre eder. Algoritma 5, Adil Fiyat Tahmini için Doğrusal Regresyon'u gösterir. Algoritma 6, Alıcı/Satıcı Gruplanması için K-Means kümelenmesini gösterir. Algoritma 7, Gerçek Zamanlı Pazarlıkta Fiyat Tahmini için Rastgele Ormanı gösterir. Algoritma 8, Makine Öğrenimi Tabanlı NFT İşlem Algoritması Akışını gösterir. 5–8 algoritmaları, algoritma 8'in bir parçasıdır.

Önerilen çerçeve, NFT tabanlı dijital sanat eserleri işlemlerini sistematik olarak yönetmek için üç aşamalı Kooperatif Oyun Teorik Ticareti (CoGTT) mekanizmasını uygulamaktadır. İlk aşamada, saf ticaret, Algoritma 1'de resmileştirildiği gibi doğrudan alım-ask eşleştirmesi kullanılarak gerçekleştirilir. Alıcılar azalan teklif fiyatlarıyla, satıcılar ise artan talep fiyatlarıyla sıralanır; böylece alıcı bütçe kısıtlamaları içinde sanat eserlerinin sıralı tahsisi mümkün olur. Bu aşamada işlem yapamayan alıcılar ikinci aşamaya yönlendirilir; burada Algoritma 2 kullanılarak müzakere edilen minimum maksimum fiyatlandırma uygulanır. Bu aşama, satıcının minimum talep fiyatı ile alıcının maksimum teklif fiyatı arasında bir orta nokta fiyatı hesaplar ve bu fiyat pazar talebi ile gerçek zamanlı işlem göstergeleri kullanılarak daha da ayarlanır. Bir takas, yalnızca müzakere edilen fiyat izin verilen alım-alım aralığı içinde kalırsa gerçekleştirilir. Hâlâ çözülmemiş işlemler için çerçeve, Nash denge tabanlı ticaretin Algoritma 3 kullanılarak uygulandığı üçüncü aşamaya ilerler. Burada, katılımcı faydalarına dayalı yinelemeli fiyat ayarlamaları, istikrarlı bir denge fiyatına yaklaşır ve rasyonel uzlaşma sağlanır. Bu üç aşama, doğrudan eşleştirme, aracılık ve denge çözümünü tek bir işlem hattında entegre eden Algoritma 4'te tanımlanan birleşik bir karar iş akışı içinde organize edilir.

Fiyatlandırma doğruluğunu, uyum sağlama yeteneğini ve stratejik karar alma süreçlerini artırmak için CoGTT çerçevesi çoklu makine öğrenimi modelleriyle güçlendirilmiştir. Algoritma 5, ilk işlem değerlendirmesi sırasında yorumlanabilir bir filtreleme mekanizması olarak işlev görebilir piyasa özellikleri kullanarak temel adil fiyatı tahmin etmek için Lineer Regresyon uygular. Gerçek zamanlı müzakere için, Algoritma 7, alım-talep spreadleri, tarihsel fiyatlar, hacim ve katılımcı itibarından etkilenen doğrusal olmayan fiyatlandırma kalıplarını yakalamak üzere Rastgele Orman regressoru kullanır. Katılımcı davranışı, alıcı ve satıcıları davranışsal olarak benzer kümelere gruplayarak denge müzakereleri sırasında istikrarı artıran PCA tabanlı boyut küçümleme ile K-Means kümeleme ile PCA tabanlı boyut küçümleme ile daha da yapılandırılır. Bu modeller, Algoritma 8'de tanımlanan birleşik bir ML odaklı işlem akışına entegre edilmiştir; burada Lineer Regresyon Faz 1 filtrelemesini destekler, Random Forest Faz 2 müzakere fiyatlarını iyileştirir, kümeleme Faz 3 katılımcı gruplarını bilgilendirir ve güçlendirme öğrenme Nash dengesine yönelik teklif ayarlamalarını optimize eder. Bu algoritmalar birlikte, önerilen çerçevenin sadece teorik olarak temelli değil, aynı zamanda uyarlanabilir, veri odaklı ve dinamik NFT pazarı ortamlarına uygun olmasını sağlar. Tüm algoritmalar Ek Dosya 1'de listelenmiştir.

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

Results

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

Dijital sanat ticareti için önerilen blockchain tabanlı yaklaşım, ZKP'lerden yararlanmaktadır. Her işlem yöntemi, sanat eserleri yaratıcı kaydı, kullanıcı kaydı ve ticaret mekanizmaları gibi temel işlevlerle özel sözleşme fonksiyonları olarak tanımlanan akıllı bir sözleşmede kapsüllenmiştir. Simülasyonlarda kullanılan blokzincir platformunun ortam parametreleri Tablo 1'de özetlenmiştir.

Tutarlılığı korumak için tüm işlem yöntemleri standartlaş...

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

Discussion

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

Bu araştırma, NFT tabanlı dijital sanat piyasaları için fiyat doğruluğunu, stratejik müzakere ve karar verme verimliliğini artırmayı amaçlayan makine öğrenimiyle artırılmış kooperatif oyun teorisi ticaret (CoGTT) çerçevesi önermektedir. Bu yaklaşım, Karar Ağaçları, K-Means ve Q-öğrenme gibi denetimli, denetimsiz ve pekiştirici öğrenme modellerini akıllı sözleşme tabanlı bir blokzincir platformunda entegre ederek merkeziyetsiz, şeffaf ve uyarlanabilir işlemleri mümkün kılar. Üç aşamalı bi...

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

Disclosures

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

Biz, yazarlar, bu el yazmasında bildirilen çalışmayı etkileyebilecek hiçbir çıkar çatışması — maddi, kişisel veya başka — olmadığını bildiriyoruz. Yapay zeka dil modeli yalnızca dil cilalaması, dilbilgisi düzeltmesi ve makalenin seçilmiş bölümlerinde netlik ile akademik tonun iyileştirilmesi için kullanıldı. Bu araç bilimsel fikirler üretmek, hipotezler oluşturmak, metodolojiyi tasarlamak, deneyler yapmak, sonuçları analiz etmek veya sonuç çıkarmak için kullanılmadı.

Acknowledgements

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

Yazarlar, bu araştırma boyunca değerli rehberliği ve içgörülü önerileri için Dr. K Hemant Kumar Reddy'ye içten teşekkürlerini sunmak isterler. Ayrıca, bu makalenin kalitesini ve açıklığını geliştirmeye büyük katkı sağlayan arkadaşlarımız ve meslektaşlarımızdan gelen yapıcı geri bildirimleri de takdir ediyoruz.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Hardhat (Blokzincir Geliştirme Çerçevesi)Kaskav2.19.1https://hardhat.org
MetaMask (Cüzdan Uzantısı)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
Sabitleme politikasıPinata.cloud—https://docs.pinata.cloud
Tepki verTepki verv18.2.0https://react.dev
RemixRemixv0.31.0https://remix.ethereum.org
Solidity (Derleyici Dili)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