Uczenie maszynowe w analityce blockchain
Zapis rozmów prowadzonych przez ryhobyy - każdy odcinek skupia się na jednym konkretnym zagadnieniu z pogranicza ML i rozproszonych rejestrów.
Tekstowe wersje rozmów
Każdy wpis to pełny zapis audio - ze skrótowym opisem poruszanych wątków. Odcinki można czytać w dowolnej kolejności, choć numeracja odzwierciedla logiczny postęp tematyczny.
Jak sieci neuronowe wykrywają anomalie w łańcuchu bloków
Sieci neuronowe potrafią uczyć się wzorców typowych transakcji, a następnie sygnalizować odchylenia. W tym odcinku Tomasz Wierzbicki z Politechniki Lubelskiej tłumaczy, dlaczego klasyczne reguły wykrywania oszustw zawodzą przy dużych wolumenach danych on-chain i jak modele LSTM radzą sobie z sekwencjami transakcji rozłożonymi w czasie.
Rozmowa obejmuje też kwestię fałszywych alarmów - jak kalibrować próg decyzyjny, żeby nie blokować legalnych użytkowników. Konkretne przykłady oparte są na publicznych danych z sieci Ethereum.
Czytaj zapisKlasteryzacja adresów - co mówi algorytm k-means o przepływach środków
Grupowanie adresów portfeli na podstawie zachowania transakcyjnego. Omówienie ograniczeń metody przy zdecentralizowanych giełdach.
Czytaj zapisGrafy transakcyjne i GNN - modelowanie relacji między adresami
Graph Neural Networks pozwalają analizować strukturę sieci powiązań, nie tylko cechy pojedynczych adresów. Rozmowa o praktycznych wdrożeniach.
Czytaj zapisDane on-chain jako wejście modelu - jakość, szum, luki
Zanim model zadziała, dane muszą być użyteczne. Marta Zielińska opisuje typowe problemy z surowymi danymi blockchain i metody ich czyszczenia.
Czytaj zapisInterpretowalność modeli w kontekście regulacyjnym
Kiedy decyzja modelu musi być wyjaśnialna przed organem nadzoru, black-box przestaje być opcją. Przegląd metod SHAP i LIME na danych blockchain.
Czytaj zapis