衡量时序 Web3 智能：来自 FinSurvival 2025 挑战的经验教训
机器学习
2026-02-27 v1
摘要
时序 Web 分析日益依赖大规模、纵向数据以理解用户、内容和系统随时间的演化。一个快速增长的前沿是“时序 Web3”：其行为以不可变、时间戳事件流的形式记录的去中心化平台。尽管数据丰富，但该领域缺乏捕获实时时序动态（特别是数据删失和非平稳性）的跨扩展时段的共享、可复现基准。这会减缓方法论进展并限制 Web3 与更广泛 Web 领域技术的迁移。本文提出以“FinSurvival Challenge 2025”为案例研究，对“时序 Web3 智能”进行基准测试。我们使用来自 Aave v3 协议的 2180 万笔交易记录，将该挑战 operationalized 为 16 项生存预测任务，以建模用户行为转换。我们详细阐述了基准设计及获胜方案，强调领域感知的时序特征构建显著优于通用建模方法。此外，我们提炼出下一代时序基准的经验教训，认为 Web3 系统为研究时序挑战（如离职、风险和演化）提供了高保真沙箱，这些挑战是更广泛 Web 领域的基本问题。
引用
@article{arxiv.2602.23159,
title = {Benchmarking Temporal Web3 Intelligence: Lessons from the FinSurvival 2025 Challenge},
author = {Oshani Seneviratne and Fernando Spadea and Adrien Pavao and Aaron Micah Green and Kristin P. Bennett},
journal= {arXiv preprint arXiv:2602.23159},
year = {2026}
}