KR20240033050A - Nft의 가치를 예측하기 위한 기법 - Google Patents

Nft의 가치를 예측하기 위한 기법 Download PDF

Info

Publication number
KR20240033050A
KR20240033050A KR1020247005244A KR20247005244A KR20240033050A KR 20240033050 A KR20240033050 A KR 20240033050A KR 1020247005244 A KR1020247005244 A KR 1020247005244A KR 20247005244 A KR20247005244 A KR 20247005244A KR 20240033050 A KR20240033050 A KR 20240033050A
Authority
KR
South Korea
Prior art keywords
nft
predicted value
model
digital asset
display
Prior art date
Application number
KR1020247005244A
Other languages
English (en)
Inventor
만자리 샤르다
벤자민 앤드류 로틀러
Original Assignee
주식회사 소니 인터랙티브 엔터테인먼트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 소니 인터랙티브 엔터테인먼트 filed Critical 주식회사 소니 인터랙티브 엔터테인먼트
Publication of KR20240033050A publication Critical patent/KR20240033050A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/12—Payment architectures specially adapted for electronic shopping systems
    • G06Q20/123—Shopping for digital content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
    • G07F17/3244—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes
    • G07F17/3251—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes involving media of variable value, e.g. programmable cards, programmable tokens
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨터 게임 자산과 연관된 대체 불가능 토큰(NFT)(200)은 기계 학습(ML) 모델(302)에 의해 생성되는 자산의 예측된 가치(700)와 함께 컴퓨터 게임의 플레이어 또는 관중에게 제공(604)될 수 있다.

Description

NFT의 가치를 예측하기 위한 기법
본 출원은 일반적으로 대체 불가능 토큰(non-fungible token: NFT)의 가치를 예측하기 위한 기법에 관한 것이다.
대체 불가능 토큰(NFT)은 예컨대, 미술품이지만 이로 제한되지 않는 디지털 세계의 물리적 수집품 버전이다. NFT가 판매 영수증이 실제 그림의 소유권을 증명하는 것처럼 기본 디지털 자산의 소유자를 증명하는 블록체인의 디지털 파일이지만, 블록체인 기술의 사용 때문에 NFT 소유권 증명을 위조하는 것은 거의 불가능하다. 인쇄물 또는 그림과 마찬가지로, NFT의 소유권이 원본 작품의 저작권을 반드시 포함하는 것이 아니고, 해당 저작권은 창작자가 보유할 수 있다. 디지털 자산은 누구나 볼 수 있지만, NFT에서 식별된 사람만이 자산의 소유권을 판매할 수 있고, 이는 블록체인에 기록된다. 따라서, 디지털 자산은 NFT 거래를 통해 물리적 수집품처럼 사고 팔 수 있다.
본 명세서에서 이해되는 바와 같이, 일부 적용, 예를 들어, 컴퓨터 시뮬레이션, 예컨대, 컴퓨터 게임에서, 컴퓨터 게임에 정통할 수 있는 플레이어 또는 관중에게 게임과 관련된 NFT가 제공될 수 있다. 그러나, 이러한 사람은 NFT의 가치 평가에 정통하지 않을 수 있다.
따라서, 시스템은 일시적 신호가 아니고 결국 적어도 하나의 프로세서에 의해 대체 불가능 토큰(NFT)과 연관된 적어도 하나의 디지털 자산을 적어도 제1 기계 학습(machine learning: ML) 모델에 입력하도록 실행 가능한 명령어를 포함하는 적어도 하나의 컴퓨터 매체를 포함한다. 디지털 자산은 적어도 하나의 컴퓨터 시뮬레이션과 관련된다. 명령어는 제1 ML 모델을 사용하여, NFT의 예측된 가치를 식별하고, 적어도 하나의 컴퓨터 디스플레이에 예측된 가치를 제시하도록 실행 가능하다.
일부 실시형태에서, 명령어는 디지털 자산 및 연관된 가치와 연관된 데이터를 포함하는 트레이닝 세트를 제1 ML 모델에 입력하고, 트레이닝 세트를 사용하여 제1 ML 모델을 트레이닝하도록 실행 가능할 수 있다. 디지털 자산과 연관된 데이터는 디지털 자산에서 하나 이상의 특징을 식별하는 제2 ML 모델에 의해 생성되는 특징 벡터를 포함할 수 있다.
예시적인 구현예에서, 명령어는 NFT를 구매하는 주문을 포함하는 적어도 하나의 사용자 인터페이스(user interface: UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능할 수 있다.
일부 실시예에서, 명령어는 예측된 가치 및 예측된 가치의 추정된 확률을 포함하는 UI를 적어도 하나의 디스플레이에 제시하도록 실행 가능할 수 있다.
비제한적인 구현예에서, 예측된 가치는 제1 예측된 가치이고, 명령어는 NFT에 대한 제1 예측된 가치 및 제2 예측된 가치를 포함하는 UI를 적어도 하나의 디스플레이에 제시하도록 실행 가능할 수 있다.
예시적인 실시형태에서, 명령어는 NFT에 대한 낙찰량과 함께, NFT에 대한 입찰에 실패했다는 표시를 포함하는 UI를 적어도 하나의 디스플레이에 제시하도록 실행 가능할 수 있다.
일부 실시형태에서, 명령어는 NFT에 대한 낮은 입찰량과 함께, NFT에 대한 입찰에 성공했다는 표시를 포함하는 UI를 적어도 하나의 디스플레이에 제시하도록 실행 가능할 수 있다.
또 다른 양상에서, 방법은 디지털 자산 및 자산의 각각의 가치를 나타내는 데이터의 트레이닝 세트를 적어도 하나의 기계 학습(machine learning: ML) 모델에 입력하여 ML 모델을 트레이닝하는 단계를 포함한다. 방법은 또한 적어도 제1 디지털 자산을 나타내는 데이터를 ML 모델에 입력하는 단계, 및 ML 모델로부터 제1 디지털 자산의 예측된 가치를 수신하는 단계를 포함한다. 방법은 제1 디지털 자산의 잠재적 구매자(prospective buyer)에게 적어도 하나의 컴퓨터 디스플레이에 가치를 제시하는 단계를 수반한다.
또 다른 양상에서, 조립체는 적어도 하나의 디스플레이 디바이스(display device: DD), DD에 제시된 적어도 하나의 컴퓨터 시뮬레이션을 제어하도록 구성된 적어도 하나의 컴퓨터 시뮬레이션 컨트롤러(computer simulation controller: CSC), 및 명령어로 구성된 적어도 하나의 프로세서를 포함한다. 명령어는 프로세서에 의해 실행될 때 프로세서가 적어도 부분적으로 CSC로부터의 입력을 기준으로, 컴퓨터 시뮬레이션과 연관된 디지털 자산을 식별하고, 디지털 자산과 연관된 데이터 요소의 예측된 가치를 DD에 제시하도록 구성하고, 데이터 요소는 블록체인에 포함되도록 구성된다.
본 출원의 상세사항은, 이의 구조와 작동 둘 다에 관해서, 유사한 참조 부호가 유사한 부분을 나타내는, 첨부 도면을 참조하여 가장 잘 이해될 수 있다:
도 1은 본 원리에 따른 실시예를 포함하는 예시적인 시스템의 블록도;
도 2는 NFT를 개략적으로 예시하는 도면;
도 3은 본 원리와 일치하는 기계 학습(ML) 모델과 협력하는 블록도;
도 4는 본 목적과 일치하는 예시적인 ML 트레이닝 로직을 예시하는 도면;
도 5는 본 원리와 일치하는 예시적인 NFT 예측 로직을 예시하는 도면; 및
도 6 내지 도 11은 본 원리와 일치하는 예시적인 사용자 인터페이스(UI)를 예시하는 도면.
본 개시내용은 일반적으로 예컨대, 컴퓨터 게임 네트워크이지만 이로 제한되지 않는 가전제품(consumer electronics: CE) 디바이스 네트워크의 양상을 포함하는 컴퓨터 에코시스템에 관한 것이다. 본 명세서의 시스템은 클라이언트와 서버 컴포넌트 간에 데이터가 교환될 수 있도록 네트워크를 통해 연결될 수 있는 서버 및 클라이언트 컴포넌트를 포함할 수 있다. 클라이언트 컴포넌트는 Sony PlayStation®과 같은 게임 콘솔 또는 Microsoft 또는 Nintendo 또는 다른 제작업체에서 만든 게임 콘솔, 가상 현실(virtual reality: VR) 헤드셋, 증강 현실(augmented reality: AR) 헤드셋, 휴대용 텔레비전(예를 들어, 스마트 TV, 인터넷 지원 TV), 휴대용 컴퓨터, 예컨대, 랩탑 및 태블릿 컴퓨터, 및 스마트폰을 포함하는 다른 모바일 디바이스 및 아래에서 논의되는 부가적인 예를 포함하는 하나 이상의 컴퓨팅 디바이스를 포함할 수 있다. 이 클라이언트 디바이스는 다양한 운영 환경에서 작동할 수 있다. 예를 들어, 클라이언트 컴퓨터 중 일부는 예로서, Linux 운영 체제, Microsoft의 운영 체제, Unix 운영 체제, Apple, Inc. 또는 Google에서 제작한 운영 체제를 사용할 수 있다. 이 운영 환경은 Microsoft 또는 Google 또는 Mozilla에서 만든 브라우저 또는 아래에서 논의되는 인터넷 서버에 의해 호스팅되는 웹사이트에 액세스할 수 있는 다른 브라우저 프로그램과 같은 하나 이상의 브라우징 프로그램을 실행하도록 사용될 수 있다. 또한, 본 원리에 따른 운영 환경은 하나 이상의 컴퓨터 게임 프로그램을 실행하도록 사용될 수 있다.
서버 및/또는 게이트웨이는 인터넷과 같은 네트워크를 통해 데이터를 수신하고 전송하도록 서버를 구성하는 명령어를 실행시키는 하나 이상의 프로세서를 포함할 수 있다. 또는 클라이언트와 서버를 로컬 인트라넷 또는 가상 사설망을 통해 연결할 수 있다. 서버 또는 컨트롤러는 Sony PlayStation®, 개인용 컴퓨터 등과 같은 게임 콘솔에 의해 예시될 수 있다.
정보는 클라이언트와 서버 간의 네트워크를 통해 교환될 수 있다. 이를 위해 그리고 보안을 위해, 서버 및/또는 클라이언트는 신뢰성과 보안을 위해 방화벽, 로드 밸런서, 임시 저장소 및 프록시 및 다른 네트워크 인프라스트럭처를 포함할 수 있다. 하나 이상의 서버는 온라인 소셜 웹사이트와 같은 보안 커뮤니티를 네트워크 회원에게 제공하는 방법을 구현하는 장치를 형성할 수 있다.
프로세서는 어드레스 라인, 데이터 라인 및 제어 라인 및 레지스터 및 시프트 레지스터와 같은 다양한 라인에 의해 로직을 실행시킬 수 있는 단일 또는 다중 칩 프로세서일 수 있다.
하나의 실시형태에 포함된 컴포넌트는 임의의 적절한 조합으로 다른 실시형태에서 사용될 수 있다. 예를 들어, 본 명세서에 설명되고/되거나 도면에 도시된 다양한 컴포넌트 중 임의의 것은 다른 실시형태에서 결합되거나, 상호교환되거나, 제외될 수 있다.
"A, B, C 중 적어도 하나를 갖는 시스템"(마찬가지로 "A, B 또는 C 중 적어도 하나를 갖는 시스템" 및 "A, B, C 중 적어도 하나를 갖는 시스템")은 A만, B만, C만, A와 B 함께, A와 C 함께, B와 C 함께 및/또는 A, B와 C 함께 등을 가진 시스템을 포함한다.
이제 구체적으로 도 1을 참조하면, 본 원리에 따라 위에서 언급되고 아래에서 더 설명되는 예시적인 디바이스 중 하나 이상의 디바이스를 포함할 수 있는 예시적인 시스템(10)이 도시된다. 시스템(10)에 포함된 예시적인 디바이스 중 제1 디바이스는 예컨대, TV 튜너가 있는 인터넷 지원 TV(동등하게는, TV를 제어하는 셋톱 박스)이지만 이로 제한되지 않는 오디오 비디오 디바이스(audio video device: AVD)(12)와 같은 가전제품(CE) 디바이스이다. AVD(12)는 대안적으로 컴퓨터화된 인터넷 지원("스마트") 전화, 태블릿 컴퓨터, 노트북 컴퓨터, HMD, 착용 가능한 컴퓨터화된 디바이스, 컴퓨터화된 인터넷 지원 음악 플레이어, 컴퓨터화된 인터넷 지원 헤드폰, 컴퓨터화된 인터넷 지원 구현 가능한 디바이스, 예컨대, 구현 가능한 스킨 디바이스 등일 수 있다. 그럼에도 불구하고, AVD(12)가 본 원리를 착수하도록(예를 들어, 본 원리를 착수하기 위해 다른 CE 디바이스와 통신하고, 본 명세서에 설명된 논리를 실행하고, 본 명세서에 설명된 다른 기능 및/또는 작업을 수행함) 구성된다는 것을 이해한다.
따라서, 이러한 원리를 착수하기 위해, AVD(12)는 도 1에 도시된 컴포넌트 중 일부 또는 전부에 의해 확립될 수 있다. 예를 들어, AVD(12)는 고화질 또는 초고화질 "4K" 이상의 평면 스크린에 의해 구현될 수 있고 디스플레이 상의 터치를 통해 사용자 입력 신호를 수신하기 위해 터치 지원될 수 있는 하나 이상의 디스플레이(14)를 포함할 수 있다. AVD(12)는 본 원리에 따라 오디오를 출력하기 위한 하나 이상의 스피커(16), 및 AVD(12)를 제어하기 위해 AVD(12)에 가청 명령을 입력하기 위한 오디오 수신기/마이크로폰과 같은 적어도 하나의 부가적인 입력 디바이스(18)를 포함할 수 있다. 예시적인 AVD(12)는 또한 하나 이상의 프로세서(24)의 제어하에서 인터넷, WAN, LAN 등과 같은 적어도 하나의 네트워크(22)를 통한 통신을 위한 하나 이상의 네트워크 인터페이스(20)를 포함할 수 있다. 따라서, 인터페이스(20)는 제한 없이, 예컨대, 메시 네트워크 송수신기로 제한되지 않는 무선 컴퓨터 네트워크 인터페이스의 예인 와이파이 송수신기일 수 있다. 프로세서(24)가 디스플레이(14)를 제어하여 이미지를 디스플레이에 표시하는 것 및 그로부터 입력을 수신하는 것과 같이 본 명세서에 설명된 AVD(12)의 다른 요소를 포함하여, 본 원리를 착수하도록 AVD(12)를 제어한다는 것을 이해한다. 게다가, 네트워크 인터페이스(20)가 유선 또는 무선 모뎀 또는 라우터, 또는 다른 적절한 인터페이스, 예컨대, 무선 전화 송수신기 또는 위에서 언급한 바와 같은 와이파이 송수신기 등일 수 있다는 것에 유의한다.
전술한 것 외에도, AVD(12)는 또한 AVD(12)로부터의 오디오를 헤드폰을 통해 사용자에게 제공하도록 헤드폰을 AVD(12)에 연결하기 위해 또 다른 CE 디바이스 및/또는 헤드폰 포트에 물리적으로 연결하기 위한 고화질 멀티미디어 인터페이스(high-definition multimedia interface: HDMI) 포트 또는 USB 포트와 같은 하나 이상의 입력 및/또는 출력 포트(26)를 포함할 수 있다. 예를 들어, 입력 포트(26)는 유선 또는 무선을 통해 오디오 비디오 콘텐츠의 케이블 또는 위성 소스(26a)에 연결될 수 있다. 따라서, 소스(26a)는 별개의 또는 통합된 셋톱 박스 또는 위성 수신기일 수 있다. 또는 소스(26a)는 콘텐츠를 포함하는 게임 콘솔 또는 디스크 플레이어일 수 있다. 게임 콘솔로 구현될 때 소스(26a)는 CE 디바이스(48)와 관련하여 아래에 설명된 컴포넌트 중 일부 또는 전부를 포함할 수 있다.
AVD(12)는, 일부 경우에, 독립형 디바이스로서 또는 AV 프로그램을 다시 재생하기 위한 AVD의 섀시의 내부 또는 외부에 있는 개인용 비디오 녹화 디바이스(personal video recording device: PVR) 또는 비디오 디스크 플레이어로서 또는 이동식 메모리 미디어 또는 아래에 설명된 서버로서 AVD의 섀시에 구현되는, 일시적 신호가 아닌 디스크 기반 또는 솔리드 스테이트 스토리지와 같은 하나 이상의 컴퓨터 메모리(28)를 더 포함할 수 있다. 또한, 일부 실시형태에서, AVD(12)는 위성 또는 휴대폰 기지국으로부터 지리적 위치 정보를 수신하고 이 정보를 프로세서(24)에 제공하고/하거나 AVD(12)가 프로세서(24)와 함께 배치되는 고도를 결정하도록 구성되는 예컨대, 휴대폰 수신기, GPS 수신기 및/또는 고도계(30)로 제한되지 않는 장소 또는 위치 수신기를 포함할 수 있다. 컴포넌트(30)는 또한 일반적으로 3차원으로 또는 이벤트 기반 센서에 의해 AVD(12)의 위치 및 방향을 결정하기 위해 가속도계, 자이로스코프와 자력계의 조합을 포함하는 관성 측정 장치(inertial measurement unit: IMU)에 의해 구현될 수 있다.
AVD(12)에 대한 설명을 계속하면, 일부 실시형태에서 AVD(12)는 열화상 카메라, 웹캠과 같은 디지털 카메라, 이벤트 기반 센서, 및/또는 AVD에 통합되고 프로세서(24)에 의해 제어 가능하여 본 원리에 따라 사진/이미지 및/또는 비디오를 수집하는 카메라일 수 있는 하나 이상의 카메라(32)를 포함할 수 있다. 각각 블루투스 및/또는 NFC 기술을 사용하여 다른 디바이스와 통신하기 위한 블루투스 송수신기(34) 및 근거리 통신(Near Field Communication: NFC) 요소(36)가 또한 AVD(12)에 포함될 수 있다. 예시적인 NFC 요소는 무선 주파수 식별(radio frequency identification: RFID) 요소일 수 있다.
여전히 또한, AVD(12)는 입력을 프로세서(24)에 제공하는, 하나 이상의 보조 센서(38)(예를 들어, 움직임 센서, 예컨대, 가속도계, 자이로스코프, 사이클로미터 또는 자기 센서, 적외선(infrared: IR) 센서, 광센서, 속도 및/또는 카덴스 센서, 이벤트 기반 센서, 제스처 센서(예를 들어, 제스처 명령을 감지하기 위함))를 포함할 수 있다. AVD(12)는 입력을 프로세서(24)에 제공하는 OTA TV 방송을 수신하기 위한 공중파 TV 방송 포트(40)를 포함할 수 있다. 전술한 것 외에도, AVD(12)가 또한 적외선(IR) 전송기 및/또는 IR 수신기 및/또는 IR 송수신기(42), 예컨대, IR 데이터 결합(IR data association: IRDA) 디바이스를 포함할 수 있다는 것에 유의한다. 배터리(미도시)는 운동 에너지를 전력으로 결국 전환하여 배터리를 충전하고/하거나 AVD(12)에 전력을 공급할 수 있는 운동 에너지 하베스터일 수 있는 바와 같이, AVD(12)에 전력을 공급하기 위해 제공될 수 있다. 그래픽 처리 장치(graphics processing unit: GPU)(44) 및 필드 프로그래밍 가능한 게이트 어레이(46)가 또한 포함될 수 있다. 디바이스를 잡고 있거나 디바이스와 접촉하는 사람이 감지할 수 있는 촉각 신호를 생성하기 위해 하나 이상의 촉각 생성기(47)가 제공될 수 있다.
도 1을 여전히 참조하면, AVD(12)에 더하여, 시스템(10)은 하나 이상의 다른 CE 디바이스 유형을 포함할 수 있다. 하나의 실시예에서, 제1 CE 디바이스(48)는 컴퓨터 게임 오디오 및 비디오를 AVD(12)에 직접 전송된 명령을 통해 그리고/또는 아래에 설명된 서버를 통해 AVD(12)에 전송하도록 사용될 수 있는 컴퓨터 게임 콘솔일 수 있는 반면에, 제2 CE 디바이스(50)는 제1 CE 디바이스(48)와 유사한 컴포넌트를 포함할 수 있다. 도시된 실시예에서, 제2 CE 디바이스(50)는 플레이어에 의해 조작되는 컴퓨터 게임 컨트롤러 또는 플레이어가 착용하는 머리 장착형 디스플레이(head-mounted display: HMD)로서 구성될 수 있다. 도시된 실시예에서, 2개의 CE 디바이스만이 도시되어 있으며, 더 적거나 더 많은 디바이스가 사용될 수 있다는 것을 이해한다. 본 명세서의 디바이스는 AVD(12)에 대해 도시된 컴포넌트 중 일부 또는 전부를 구현할 수 있다. 다음 도면에 도시된 컴포넌트 중 임의의 것은 AVD(12)의 경우에 도시된 컴포넌트 중 일부 또는 전부를 통합할 수 있다.
앞서 언급한 적어도 하나의 서버(52)를 이제 참조하면, 이것은 적어도 하나의 서버 프로세서(54), 적어도 하나의 유형의(tangible) 컴퓨터 판독 가능한 저장 매체(56), 예컨대, 디스크 기반 또는 솔리드 스테이트 스토리지, 및 서버 프로세서(54)의 제어하에서, 네트워크(22)를 통해 도 1의 다른 디바이스와의 통신을 허용하고, 실제로 본 원리에 따라 서버와 클라이언트 디바이스 간의 통신을 용이하게 할 수 있는, 적어도 하나의 네트워크 인터페이스(58)를 포함한다. 네트워크 인터페이스(58)가 예를 들어, 유선 또는 무선 모뎀 또는 라우터, 와이파이 송수신기, 또는 예를 들어, 무선 전화 송수신기와 같은 다른 적절한 인터페이스일 수 있다는 것에 유의한다.
따라서, 일부 실시형태에서 서버(52)가 인터넷 서버 또는 전체 서버 "팜"일 수 있고 "클라우드" 기능을 포함하고 수행할 수 있으므로 시스템(10)의 디바이스가 예시적인 실시형태에서 예를 들어, 네트워크 게임 애플리케이션을 위한 서버(52)를 통해 "클라우드" 환경에 액세스할 수 있다. 또는 서버(52)는 도 1에 도시된 다른 디바이스와 동일한 방에 있거나 근처에 있는 하나 이상의 게임 콘솔 또는 다른 컴퓨터에 의해 구현될 수 있다.
다음 도면에 도시된 컴포넌트는 도 1에 도시된 컴포넌트의 일부 또는 전부를 포함할 수 있다. 본 명세서에 설명된 사용자 인터페이스(UI)는 통합, 확장될 수 있으며, UI 요소는 UI 간에 혼합 및 매칭될 수 있다.
본 원리는 딥 러닝 모델을 포함한 다양한 기계 학습 모델을 사용할 수 있다. 본 원리와 일치하는 기계 학습 모델은 지도 학습, 비지도 학습, 준지도 학습, 강화 학습, 기능 학습, 자가 학습 및 다른 형태의 학습을 포함하는 방식으로 트레이닝된 다양한 알고리즘을 사용할 수 있다. 컴퓨터 회로에 의해 구현될 수 있는 이러한 알고리즘의 예는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 및 장단기 메모리(long short-term memory: LSTM) 네트워크로 알려진 RNN 유형과 같은 하나 이상의 신경 네트워크를 포함한다. 지원 벡터 머신(support vector machine: SVM)) 및 베이지안 네트워크가 또한 기계 학습 모델의 예로 간주될 수 있다.
따라서 본 명세서에서 이해되는 바와 같이, 기계 학습을 수행하는 것은 모델이 추론을 위해 추가 데이터를 처리할 수 있도록 트레이닝 데이터에 대한 모델에 액세스한 다음 트레이닝하는 것을 수반할 수 있다. 따라서 기계 학습을 통해 트레이닝된 인공 신경망/인공 지능 모델은 입력 계층, 출력 계층, 그리고 그 사이에 적절한 출력에 대해 추론하도록 구성되고 가중치가 부여되는 다수의 숨겨진 계층을 포함할 수 있다.
도 2는 블록 체인(202)에 포함되도록 구성된 데이터 구조(200)를 예시한다. 도시된 실시형태의 데이터 구조(200)는 이미지, 오디오 녹음, 게임 이벤트와 같은, 디지털 자산(204), 또는 일반적으로 아티스트가 생성하거나 구성하는 다른 디지털 방식으로 구현된 자산과 관련되거나 그로부터 유래되는 대체 불가능 토큰(NFT)으로 구성된다. 예시적인 구현에서, 디지털 자산(204)은 컴퓨터 게임과 같은 컴퓨터 시뮬레이션으로부터 나올 수 있고, 게임 캐릭터, 무기, 플롯, 또는 이벤트와 같은 컴퓨터 게임의 다른 양상을 나타낼 수 있다.
일부 경우에, 디지털 자산(204)은 블록체인(200)에 포함되기 위해 데이터 구조(200)(이하에 간략히 "NFT(200)")의 일부로 인코딩될 수 있거나 NFT(200) 자체와 별도로 저장될 수 있고, 이 경우에 NFT(200)는 디지털 자산(204)의 네트워크 어드레스(208)에 대한 포인터(206)를 포함할 수 있다.
NFT(200)는 일반적으로 NFT(200) 및 그에 따른 디지털 자산(204)의 소유권을 나타내는 메타데이터(210)를 포함한다. 메타데이터는 NFT(200)의 현재 그리고 원하는 경우 과거 소유자, 소유권 또는 소유권을 획득한 다른 수단에 대해 지불한 가격(들), 소유권의 조건(예를 들어, 저작권이 소유권을 수반하는지 안하는지 여부), 소유권 기간, 소유권의 임시 기간 동안 소유권을 이전할 수 있는지 여부 등의 표시를 포함할 수 있다.
도 3은 디지털 자산(동일하게는, 디지털 자산과 연관된 NFT)의 트레이닝 세트 및 실지 검증 분류를 기준으로, 디지털 자산을 분류하도록 구성되는 분류 기계 학습(ML) 모델(300)을 예시한다. 더 일반적으로, 분류 ML 모델(300)은 디지털 자산을 나타내는 정보를 출력하도록 구성될 수 있다. 이러한 정보는 특징 벡터를 포함할 수 있다.
특정 구현예에서, 디지털 자산은 컴퓨터 게임과 같은 컴퓨터 시뮬레이션과 관련될 수 있고, 컴퓨터 게임 캐릭터, 무기 또는 다른 개체의 이미지뿐만 아니라 오디오 트랙 또는 다른 아티스트가 생성한 자산일 수 있다.
하나 이상의 지원 벡터 머신(support vector machine: SVM), 결정 트리, 및/또는 예컨대, 하나 이상의 컨볼루션 신경망(convolutional neural network: CNN)으로 제한되지 않는 신경망이 분류 ML 모델(300)을 구현하도록 사용될 수 있다.
작동 시, 분류 ML 모델(300)은 가치 평가될 디지털 자산을 나타내는 정보를 예측된 NFT 가치 ML 모델(302)에 입력할 수 있다. 가치 모델(302)은 분류 모델(300)로부터의 입력으로 표현되는 디지털 자산의 가치의 예측을 출력한다. 가치 모델(302)은 적절한 신경망/NN의 조합에 의해 구현될 수 있다.
도 4는 도 3의 가치 ML 모델(302)을 트레이닝하기 위한 예시적인 로직을 예시한다. 도면에서, "NFT"는 NFT로 표현되는 디지털 자산과 상호교환적으로 사용될 수 있다.
블록(400)에서 시작하여, 디지털 자산/관련된 NFT의 트레이닝 세트가 이력 판매 또는 전문가 가격 결정에서 해당 자산의 실지 검증 가치 평가와 함께 식별될 수 있다. 실지 검증 가치 평가는 각각의 자산에 대한 단일 가치 평가 또는 각각의 가치 평가에 대한 각각의 확률과 함께 각각의 자산에 대한 복수의 상이한 가능한 가치 평가를 포함할 수 있다.
블록(402)으로 이동하면, 디지털 자산은 예를 들어, 이미지 인식을 사용하여 분류 모델에 의해 분류되고, 모델(302)을 트레이닝하기 위해 가치 모델(302)에 대한 자산의 실지 검증 가치 평가와 함께 블록(404)에서 입력된다.
도 5는 수반된 NFT를 통해 판매하도록 제공될 디지털 자산의 예측된 가치를 생성하기 위한 로직을 예시한다. 블록(498)에서 시작하여, 특징 벡터와 같은 자산을 나타내는 데이터를 생성하기 위해 설명된 바와 같이 자산이 분류된다. 이 정보는 블록(500)에서 가치 모델(302)에 입력되어, 블록(502)에서 수신되는 각각의 자산에 대한 예측된 가치(들)를 출력한다. 예측된 가치(들)는 블록(504)에서 청각적으로 그리고/또는 시각적으로 그리고/또는 촉각적으로 디스플레이에 출력된다.
도 6 내지 도 10은 본 명세서에서 임의의 디스플레이와 같은 디스플레이(600)에 제시될 수 있는 사용자 인터페이스(UI)를 예시한다. 도 6은 NFT로 판매될 디지털 자산의 이미지(602), 이 경우에, "보스" 컴퓨터 게임 캐릭터의 검 이미지를 포함한다. UI는 NFT를 구매하도록 선택 가능한 승인 선택기(606)와 함께, (602)에 예시된 디지털 자산과 연관된 NFT를 구매하라는 권유(604)를 포함할 수 있다. 승인 선택기(606)가 선택되면, 디지털 자산은 자산에 대한 하나 이상의 예측된 가치 평가를 생성하기 위해 도 3에 도시된 가치 모델(302)에 입력될 수 있다.
도 7은 도 6의 승인 선택기(606)의 선택에 응답하여 제시될 수 있는 UI를 예시한다. 도시된 실시예에서, 가치 모델(302)은 각각의 확률(702)을 갖는 2개의 예측된 가치 평가(700)를 생성했다. UI는 사용자가 가치 평가 중 하나를 선택하거나 NFT에 대한 맞춤 입찰을 입력하는 필드(704)를 포함할 수 있다.
도 7에서 선택되는 가격에 응답하여, 도 8은 (602)에 도시된 자산에 대해 가격이 입력되었음을 (800)에 나타내는 UI를 예시한다. UI(800)는 (802)에 표시된 바와 같은 NFT의 이력 가치 평가 정보 및 NFT 발행의 원인이 무엇인지에 대한 표시(804)를 포함할 수 있다. 사용자는 이 정보의 일부 또는 전부를 잠금 해제하기 위해 비용을 지불해야 할 수 있다.
입찰 과정의 경과 시, 도 9 및 도 10은 사용자가 입찰에 실패하거나 낙찰된 경우 각각 제시될 수 있는 UI를 예시한다.
더 구체적으로, 도 9는 사용자가 입찰에 실패했음을 (900)에서 나타내는 UI를 예시한다. UI는 또한 (902)에서 낙찰가가 얼마인지를 표시할 수 있다. 낙찰자의 이름이 또한 표시될 수 있다.
대조적으로, 도 10은 (1000)에서 사용자가 디지털 자산과 연관된 NFT에 대한 입찰에서 낙찰되었음을 나타낸다. 원하는 경우, 이 UI는 또한 (1002)에서 낮은 입찰자가 누구인지, 그리고 낮은 입찰자가 입찰한 금액을 나타낼 수 있다.
상기 내용에 더하여, 본 원리는 다음의 기법을 제공한다. NFT의 기초가 되는 아이템의 희귀성이 알려질 수 있고 NFT의 가치를 증가시킬 수 있다. 예를 들어, NFT의 기초가 되는 아이템이 10회 사용되도록 허용되고 7회 사용이 소비된 경우에, NFT의 가치는 10회 사용이 모두 이루어질 때까지 상승할 수 있고, 그 시점에서 가치가 감소될 수 있다. NFT의 가치는 기본 자산을 쉽게 복제할 수 있는지(가치가 낮음) 또는 복제할 수 없는지(가치가 높음)에 따라 달라질 수 있다. 가치는 기본 자산이 대체 가능(가치가 낮음)인지 대체 불가능(가치가 높음)인지 여부에 따라 달라질 수 있다. NFT의 가치는 소셜 커뮤니티에 대한 아이템의 가치에 따라 달라질 수 있다. 성과, 예컨대, 토너먼트 우승 또는 다른 컴퓨터 시뮬레이션 성과를 기반으로 NFT가 발행되는 경우, 성과의 난이도가 NFT의 가치에 영향을 줄 수 있다. NFT의 기초가 되는 자산을 시청하거나 공유한 높은 횟수는 NFT의 가치를 증가시킬 수 있고 시청/공유 횟수가 적을수록 가치가 낮아질 수 있다. NFT의 가치는 그룹 성과에 핵심이 될 수 있다. 이들은 트레이닝 세트에서 ML 모델에 제공될 수 있는 NFT 가치의 몇몇의 예이다.
도 11은 임박한 NFT 발행을 시각화하기 위한 사용자 인터페이스(UI)(1100)를 예시한다. 프롬프트(1102)는 NFT를 생성하는 방식에 대한 정보와 함께, 사용자/플레이어가 새로 발행된 NFT를 획득하는 데 가까워지고 있음을 사용자/플레이어에게 표시할 수 있다. 따라서, 사용자/플레이어는 처음에 NFT가 발행되도록 하려면 특정 작업 또는 성과를 완료하는 것과 같은 특정 조건을 충족해야 할 수 있다.
특정 실시형태가 본 명세서에 도시되고 상세히 설명되지만, 본 발명에 포함되는 주제가 청구범위에 의해서만 제한된다는 것을 이해한다.

Claims (20)

  1. 시스템으로서,
    일시적 신호가 아니고 적어도 하나의 프로세서에 의해 실행 가능한 명령어를 포함하는 적어도 하나의 컴퓨터 매체를 포함하되, 상기 명령어는,
    대체 불가능 토큰(non-fungible token: NFT)과 연관된 적어도 하나의 디지털 자산을 적어도 제1 기계 학습(machine learning: ML) 모델에 입력하고, 상기 디지털 자산은 적어도 하나의 컴퓨터 시뮬레이션과 관련되고;
    상기 제1 ML 모델을 사용하여, 상기 NFT의 예측된 가치를 식별하고;
    적어도 하나의 컴퓨터 디스플레이에 상기 예측된 가치를 제시하는, 시스템.
  2. 제1항에 있어서, 상기 적어도 하나의 프로세서를 포함하는, 시스템.
  3. 제1항에 있어서, 상기 명령어는,
    상기 디지털 자산 및 연관된 가치와 연관된 데이터를 포함하는 트레이닝 세트를 상기 제1 ML 모델에 입력하고;
    상기 트레이닝 세트를 사용하여 상기 제1 ML 모델을 트레이닝하도록 실행 가능한, 시스템.
  4. 제3항에 있어서, 디지털 자산과 연관된 상기 데이터는 디지털 자산에서 하나 이상의 특징을 식별하는 제2 ML 모델에 의해 생성되는 특징 벡터를 포함하는, 시스템.
  5. 제1항에 있어서, 상기 명령어는,
    상기 NFT를 구매하는 주문
    을 포함하는 적어도 하나의 사용자 인터페이스(user interface: UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능한, 시스템.
  6. 제1항에 있어서, 상기 명령어는,
    상기 예측된 가치; 및
    상기 예측된 가치의 추정된 확률
    을 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능한, 시스템.
  7. 제1항에 있어서, 상기 예측된 가치는 제1 예측된 가치이고, 상기 명령어는,
    상기 NFT에 대한 상기 제1 예측된 가치 및 제2 예측된 가치
    를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능한, 시스템.
  8. 제1항에 있어서, 상기 명령어는,
    상기 NFT에 대한 낙찰량과 함께, 상기 NFT에 대한 입찰에 실패했다는 표시(indication)
    를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능한, 시스템.
  9. 제1항에 있어서, 상기 명령어는,
    상기 NFT에 대한 낮은 입찰량과 함께, 상기 NFT에 대한 입찰에 성공했다는 표시
    를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하도록 실행 가능한, 시스템.
  10. 방법으로서,
    디지털 자산 및 상기 자산의 각각의 가치를 나타내는 데이터의 트레이닝 세트를 적어도 하나의 기계 학습(ML) 모델에 입력하여 상기 ML 모델을 트레이닝하는 단계;
    적어도 제1 디지털 자산을 나타내는 데이터를 상기 ML 모델에 입력하는 단계;
    상기 ML 모델로부터 상기 제1 디지털 자산의 예측된 가치를 수신하는 단계; 및
    상기 제1 디지털 자산의 잠재적 구매자(prospective buyer)에게 적어도 하나의 컴퓨터 디스플레이에 상기 가치를 제시하는 단계
    를 포함하는, 방법.
  11. 제10항에 있어서, 상기 ML 모델은 제1 ML 모델이고 디지털 자산을 나타내는 상기 데이터는 디지털 자산에서 하나 이상의 특징을 식별하는 제2 ML 모델에 의해 생성되는 특징 벡터를 포함하는, 방법.
  12. 제10항에 있어서,
    상기 NFT를 구매하는 주문을 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하는 단계를 포함하는, 방법.
  13. 제10항에 있어서,
    상기 예측된 가치 및 상기 예측된 가치의 추정된 확률을 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하는 단계를 포함하는, 방법.
  14. 제10항에 있어서, 상기 예측된 가치는 제1 예측된 가치이고, 상기 방법은,
    상기 NFT에 대한 상기 제1 예측된 가치 및 제2 예측된 가치를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하는 단계를 포함하는, 방법.
  15. 제10항에 있어서,
    상기 NFT에 대한 낙찰량과 함께, 상기 NFT에 대한 입찰에 실패했다는 표시를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하는 단계를 포함하는, 방법.
  16. 제10항에 있어서,
    상기 NFT에 대한 낮은 입찰량과 함께, 상기 NFT에 대한 입찰에 성공했다는 표시를 포함하는 적어도 하나의 사용자 인터페이스(UI)를 적어도 하나의 디스플레이에 제시하는 단계를 포함하는, 방법.
  17. 조립체로서,
    적어도 하나의 디스플레이 디바이스(display device: DD);
    상기 DD에 제시된 적어도 하나의 컴퓨터 시뮬레이션을 제어하도록 구성된 적어도 하나의 컴퓨터 시뮬레이션 컨트롤러(computer simulation controller: CSC); 및
    명령어로 구성된 적어도 하나의 프로세서를 포함하되, 상기 명령어는,
    적어도 부분적으로 상기 CSC로부터의 입력을 기준으로, 상기 컴퓨터 시뮬레이션과 연관된 디지털 자산을 식별하고;
    상기 디지털 자산과 연관된 데이터 요소의 예측된 가치를 상기 DD에 제시하고, 상기 데이터 요소는 블록체인에 포함되도록 구성되는, 조립체.
  18. 제17항에 있어서, 상기 프로세서는 상기 예측된 가치와 연관된 확률을 상기 DD에 제시하는 명령어로 구성되는, 조립체.
  19. 제17항에 있어서, 상기 프로세서는 상기 디지털 자산에 대한 복수의 예측된 가치를 상기 DD에 제시하는 명령어로 구성되는, 조립체.
  20. 제17항에 있어서, 상기 프로세서는 상기 디지털 자산에 대한 실제 낙찰량 또는 실제 실패 입찰량을 상기 DD에 제시하는 명령어로 구성되는, 조립체.
KR1020247005244A 2021-09-23 2022-09-12 Nft의 가치를 예측하기 위한 기법 KR20240033050A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/483,200 US20230093031A1 (en) 2021-09-23 2021-09-23 TECHNIQUES FOR PREDICTING VALUE OF NFTs
US17/483,200 2021-09-23
PCT/US2022/076318 WO2023049638A1 (en) 2021-09-23 2022-09-12 TECHNIQUES FOR PREDICTING VALUE OF NFTs

Publications (1)

Publication Number Publication Date
KR20240033050A true KR20240033050A (ko) 2024-03-12

Family

ID=85572768

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020247005244A KR20240033050A (ko) 2021-09-23 2022-09-12 Nft의 가치를 예측하기 위한 기법

Country Status (3)

Country Link
US (1) US20230093031A1 (ko)
KR (1) KR20240033050A (ko)
WO (1) WO2023049638A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230162179A1 (en) * 2021-11-19 2023-05-25 Meta Platforms, Inc. Techniques for transactions associated with non-fungible tokens (nft) using artificial intelligence (ai) and machine learning (ml)
US20230245163A1 (en) * 2022-01-28 2023-08-03 Mitel Networks Corporation Method of determining a value of a non-fungible token in a computing system
US20240062621A1 (en) * 2022-08-18 2024-02-22 Igt Non-fungible tokens as gaming awards marketplace

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050080645A1 (en) * 2003-07-08 2005-04-14 Counts Mary C. Systems and methods for providing information for collectibles
US8756144B2 (en) * 2006-11-29 2014-06-17 Hartfield Titus & Donnelly LLC. Securities auction system and method
US8684834B2 (en) * 2008-06-17 2014-04-01 Sony Corporation Game device
US20100235270A1 (en) * 2009-03-12 2010-09-16 Baker David N Apparatus, system and method for a precious coin exchange platform and for valuation and trade of precious coins
US20130018752A1 (en) * 2011-07-13 2013-01-17 Foster Shawn D System and method for real time auction bidding
US9912974B2 (en) * 2016-03-01 2018-03-06 Disney Enterprises, Inc. Shot structure of online video as a predictor of success
US20200160289A1 (en) * 2018-11-19 2020-05-21 Rare Bits, Inc. Lazy updating and state prediction for blockchain-based applications
US20200226675A1 (en) * 2019-01-15 2020-07-16 Adobe Inc. Utilizing machine learning to generate parametric distributions for digital bids in a real-time digital bidding environment
US10410056B1 (en) * 2019-04-16 2019-09-10 Capital One Services, Llc Computer vision based asset evaluation
US11682025B2 (en) * 2020-06-26 2023-06-20 Digipraise LLC Digital appraisal system providing computational attestation of appraisal integrity
US20220237597A1 (en) * 2021-01-22 2022-07-28 Bakkt Marketplace, LLC Alternative digital asset conversion choices
US20220343483A1 (en) * 2021-04-21 2022-10-27 Veery, LLC System and method for probabilistic determination of likely grade of collectible cards
US20220383303A1 (en) * 2021-05-26 2022-12-01 Dynamics Inc. Systems and methods for multiple ledger non-fungible tokens and multiple chain blockchains for using same

Also Published As

Publication number Publication date
US20230093031A1 (en) 2023-03-23
WO2023049638A1 (en) 2023-03-30

Similar Documents

Publication Publication Date Title
KR20240033050A (ko) Nft의 가치를 예측하기 위한 기법
US11707682B2 (en) NFT framework for transferring and using digital assets between game platforms
EP4381456A1 (en) Time-restricted ownership of nfts
US11554322B2 (en) Game controller with touchpad input
US12029984B2 (en) In-game asset tracking using NFTs that track impressions across multiple platforms
US20230042269A1 (en) In-game asset tracking using nfts that track impressions across multiple platforms
US20230082732A1 (en) Using data from a game metadata system to create actionable in-game decisions
US20240115954A1 (en) Hyper-personalized game items
US20240115942A1 (en) Customizable virtual reality scenes using eye tracking
US20240112403A1 (en) Rapid generation of 3d heads with natural language
US20220355211A1 (en) Controller action recognition from video frames using machine learning
US20240179291A1 (en) Generating 3d video using 2d images and audio with background keyed to 2d image-derived metadata
US11980807B2 (en) Adaptive rendering of game to capabilities of device
US20240100417A1 (en) Outputting braille or subtitles using computer game controller
US20240104807A1 (en) Customized digital humans and pets for metaverse
US20240160273A1 (en) Inferring vr body movements including vr torso translational movements from foot sensors on a person whose feet can move but whose torso is stationary
US20220245746A1 (en) Networked computer system for rapid identification of related assets and comment generation therefor
US20240104829A1 (en) Using vector graphics to create 3d content
WO2024081568A1 (en) Group control of computer game using aggregated area of gaze
WO2022235527A1 (en) Create and remaster computer simulation skyboxes
WO2022235405A1 (en) Merge computer simulation sky box with game world field