IntelliChain: An Intelligent and Adaptive Framework for Decentralized Applications on Public Blockchain Technologies: An NFT Marketplace Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Non-fungible tokens (NFTs), attracting interest from a variety of audiences including collectors and traders, saw transactions exceeding $50 billion in 2022. The inherent features of blockchain technology–distributed, immutable, and transparent–make it an ideal platform for verifying ownership of digital assets. Despite these advantages, the high computational and transaction costs of networks, which utilizes proof of work pose significant challenges. To overcome these, alternative public blockchains have been developed, each offering unique benefits for NFT marketplaces. Choosing the right blockchain platform is crucial but complex. In our study, we introduce a prototype NFT marketplace optimized for scalability and efficiency, capable of rapidly handling a large volume of NFT transactions. We also conducted a comparative analysis of various public blockchains to identify the most cost-effective and reliable options for NFT exchanges. Further, we developed two predictive models to enhance decision-making around transaction fees and error management, thus improving cost-efficiency and reliability. We also propose a self-adaptive mechanism that allows for dynamic switching between blockchain platforms, enhancing the flexibility, and overall performance of the marketplace. Our contributions are integrated into IntelliChain, a self-adaptive framework designed to predict optimal transaction fees, reduce errors, and adapt to changing conditions like network stability and fee structures, bolstering efficiency, and reliability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle