NFT sales characteristics and price prediction by transfer learning visual attributes
Transfer öğrenme görsel özellikleri ile NFT satış özellikleri ve fiyat tahmini
- Tez No: 858891
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE SEFER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nitelikli Fikri Tapu'lar (NFT'ler); temel olarak resimler, sanat eserleri, hareketli görseller ve mizahi tasarımlar gibi görselleştirilebilecek herhangi bir nesneyi temsil eden, mülkiyeti blok zinciri üzerinde tanımlanmış dijital varlıklardır. Genellikle Ethereum gibi kripto para birimleri ile çevrimiçi alınıp satılabilirler. NFT'lere ve ticaretine olan ilginin artışı, NFT'leri alternatif bir yatırım aracı haline getirmektedir. Ancak mevcut araştırma ve çalışmalar genellikle NFT'lerin teknik yönlerine odaklanmıştır ve fiyat tahminine yönelik çalışmalar sınırlı kalmıştır. NFT piyasasının karmaşık yapısı, spekülasyon ve manipülasyona açık olması, likidite eksikliği, nadirlik, öznellik ve volatilite gibi faktörler fiyat tahminini oldukça zor hale getirmektedir. Bu bağlamda, analiz ve tahminler için makine öğrenimi güçlü bir çözüm sunmaktadır. Bu çalışmada iki tahmin problemine odaklanılmıştır: NFT'lerin satış fiyatı ve ikincil satış olasılığı. Önceden eğitilmiş derin öğrenme algoritmaları kullanılarak NFT'lerin görsel özellikleri analiz edilmiş, bu görsel bilgi ile satış geçmişi, tüccar davranışı ve ikincil satışların fiyat üzerindeki etkisi de analiz ve öğrenme sürecine dahil edilmiş ve bu özelliklerin güvenilirlikleri değerlendirilmiştir. NFT'leri sanat, koleksiyon, oyun, metaverse, işlevsellik ve diğer olmak üzere 6 kategoriye ayırarak makine öğrenimi algoritmalarıyla satışlar modellenmiş ve bu problemlere cevap aranmıştır. Denemeler sonucunda, görsel özelliklerin tahmin performansını tüm durumlarda artırdığı, optimum performansı gösteren modelin ise problem tipine göre değiştiği görülmüştür. Genel olarak, öğrenme algoritmalarının hiçbiri tüm kategorilerde sürekli olarak diğerlerinden daha iyi performans gösterememiştir. Kodlarımız, https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmuştur.
Özet (Çeviri)
Non-fungible tokens~(NFTs) are unique digital assets whose possession is defined over a blockchain. NFTs can represent multiple distinct objects such as art, images, videos, etc. NFTs are almost always traded by using cryptocurrencies such as Ethereum and blockchains are utilized to encode them. There was a recent surge of interest in trading them which makes them another type of alternative investment. While the existing research predominantly focuses on the technical aspects of NFTs, limited attention has been given to predicting their prices. The inherent volatility of NFT prices, attributed to factors such as over-speculation, liquidity constraints, rarity, subjectivity, and market volatility, presents challenges for accurate price predictions. For such analysis and forecasting, machine learning methods offer a robust solution framework. Here, we focus on two related prediction problems over NFTs: Predicting NFTs' sale price, and inferring whether a given NFT will participate in a secondary sale. We analyze and learn the visual characteristics of NFTs by deep pre-trained models and combine such visual knowledge with additional important non-visual attributes such as the sale history, trader behavior, seller's and buyer's centralities in the trading network, and collection's resale probability, and we assess the reliability of these features. We categorize input NFTs into six categories based on their characteristic features: Art, Collectibles, Games, Metaverse, Utility, and Others. We train several different machine learning methods on these attributes to answer these two questions. Across detailed experiments, we found visual attributes obtained from deep pre-trained models to increase the prediction performance in all cases, even though the pre-trained model giving the optimal result may change depending on the problem type. In general, none of the learning algorithms consistently outperformed the rest of them across all categories. Our code is publicly available at https://github.com/seferlab/deep_nft.
Benzer Tezler
- PDT için hedefe yönelik ftalosiyaninlerin sentezi
Synthesis of target oriented phthalocyanines for PDT
TAYLAN SAMSUNLU
Yüksek Lisans
Türkçe
2021
Kimyaİstanbul Teknik ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. ESİN HAMURYUDAN
- Para piyasasında banka dışı mali kesimde finansal farklılaşma: Factoring, forfaiting, leasing ve özel finans kurumları
Başlık çevirisi yok
MÜGEHAN ACARASLAN
- Mortalite oranlarındaki sapmalar ve karma sigortanın sapma ortamındaki istikrarı
Başlık çevirisi yok
ALİ CANYÜREK
Yüksek Lisans
Türkçe
1996
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
YRD. DOÇ. DR. KAYLAV ŞEVKİ
- How cryptographic implementations affect mobile agent systems
Şifreleme gerçekleştirmelerinin gezgin aracı internet sistemlerini nasıl etkilediği
İSMAİL ULUKUŞ
Yüksek Lisans
İngilizce
2003
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiSistem ve Kontrol Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN ANARIM
- Tüketicilerin NFT'lere yönelik tutum ve niyetlerinin incelenmesi
Consumer's attitudes and intentions towards NFT products
MERT NİHAT BAYMAN