TL;DR
- چکیده:.
- خزانهداریهای توکنشده ایالات متحده بهعنوان یک زیر کلاس برجسته از داراییهای دنیای واقعی (RWA) پدیدار شدهاند که ابزارهای.
- رمزنگاری امن و بازدهی را ارائه میکنند که در زیرساختهای Web3 چند زنجیرهای منتشر میشوند،.
چه اتفاقی افتاد
چکیده:. خزانهداریهای توکنشده ایالات متحده بهعنوان یک زیر کلاس برجسته از داراییهای دنیای واقعی (RWA) پدیدار شدهاند که ابزارهای.
رمزنگاری امن و بازدهی را ارائه میکنند که در زیرساختهای Web3 چند زنجیرهای منتشر میشوند،. با اهمیت رو به رشد برای شفافیت مالی،.
دسترسی و دسترسی. در حالی که بازار به سرعت گسترش یافته است، تجزیه و تحلیل تجربی رفتارهای سطح معامله محدود است.
این مقاله تشریح کمیو در سطح عملکرد توکنهای RWA تحت حمایت خزانهداری ایالات متحده،. از جمله BUIDL،.
BENJI،. و USDY را در چند زنجیره انجام میدهد:.
عمدتاً اتریوم و لایه ۲. فراخوانهای قرارداد رمزگشایی شده،.
اولیههای مالی اصلی مانند صدور،. بازخرید،.
انتقال و پل زدن را نشان میدهند،. و الگوهایی را آشکار میکنند که شرکتکنندگان نهادی را از کاربران کوچکتر یا خردهفروشی برای وسعت و محدودیتهای.
فراگیری در پذیرش RWA فعلی متمایز میکند. برای استنباط نقشهای اقتصادی در سطح آدرس،.
ما یک مدل یادگیری بازنمایی آگاه از انحنا را معرفی میکنیم. روش ما در استنتاج نقش بر روی مجموعه داده تراکنش جمع آوری شده خزانه داری ایالات متحده از.
مدلهای پایه بهتر عمل میکند و برای رسیدگی به طبقه بندی در مجموعه دادههای تراکنش. بلاک چین عمومیگستردهتر،.
تعمیم مییابد. الگوهای رمزگشایی شده در سطح تراکنش در خزانهداریهای توکنشده ایالات متحده در سراسر زنجیرهها،.
میزان مشارکت خردهفروشی را نشان میدهد،. و مدل استنتاج نقش تمایز بین خزانههای ی،.
رباتهای آربیتراژ و معاملهگران خردهفروش را بر اساس الگوهای رفتاری امکانپذیر میسازد و امور مالی Web3 را شفافتر،. فراگیرتر و پاسخگوتر میکند.
پذیرفته شده در هشتمین ویرایش کنفرانس بین المللی IEEE در بلاک چین و ارزهای دیجیتال (ICBC 2026) مالی. محاسباتی (q-fin.
CP); مهندسی محاسبات، امور مالی و علوم (cs. CE)؛ یادگیری ماشینی (cs.
LG) استناد بهعنوان: (یا v2 [q-fin. CP] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Junliang Luo [مشاهده ایمیل] [v1] یکشنبه،.
20 ژوئیه 2025،. 03:.
54:. 06 UTC (637 KB) [v2] جمعه،.
3 آوریل 2026،. 07:.
30:. 01 UTC (2,.
362 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.