半監督學習是近年來備受關注的機器學習領域之一。從概念上講，半監督學習是監督學習的一種變體，它結合了用於訓練的標記和未標記資料集。半監督學習的原理是利用少量的帶標籤的監督學習和大量的無標籤的非監督學習資料，在許多情況下可以比完全監督的模型產生更好的準確性。
在區塊鏈分析中，半監督學習可以用於訓練模型，這些模型可以對參與者(如交換器或錢包)進行分類，而不需要依賴大型標記資料集進行訓練。例如，分類器可以學習使用幾個標記地址來識別加密貨幣交易，並使用一個更大的未標記地址池來進行擴充套件。
遷移學習
遷移學習是一種表示法學習，其基礎是透過重用以前任務中的知識來掌握新任務的思想。傳統的學習是孤立的，只基於特定的任務、資料集和單獨的訓練模型。沒有可以從一個模型轉移到另一個模型的知識被保留。在遷移學習中，您可以利用以前訓練過的模型中的知識(特性、權重等)來訓練新的模型。
當涉及到區塊鏈資料分析時，可以使用遷移學習來構建模型，從而從以前的任務中歸納出知識。例如，識別異常比特幣轉移的模型可以將其知識推廣到以太坊區塊鏈。
AutoML與自動化
設計機器學習模型是一項難以置信的主觀任務，它通常依賴於資料科學家的經驗，而這些經驗沒有經過客觀測試。一個給定的機器學習問題可以有無限個解，很難理解我們是否有這個問題的正確解。
AutoML是一種新技術，旨在自動建立機器學習模型。對於給定的資料集、一系列最佳化指標和一些時間或資源方面的約束，AutoML方法應該能夠評估成千上萬的神經網路體系結構併產生最優結果。雖然有效的資料科學團隊可能能夠評估給定問題的12個模型，但是AutoML方法可以在相對可管理的時間內快速搜尋成千上萬的體系結構。
在區塊鏈資料集中，NAS和AutoML可以幫助我們評估給定場景的大量模型。例如，我們可以評估數百個模型，得出一個更完善的架構，而不是設計一個特定的神經網路來預測交易所資金流動。
元學習
元學習可以簡單地定義為獲取知識多樣性的能力。作為人類，我們能夠用最少的資訊同時獲得多個任務。我們可以透過看到一個新的物體的圖片來識別它，或者我們可以同時學習複雜的、多工的活動，比如駕駛飛機。雖然人工智慧代理可以掌握非常複雜的任務，但它們需要在任何原子子任務上進行大量訓練，而且它們在多工處理方面仍然非常糟糕。一種流行的元學習技術被稱為“少鏡頭學習”(few-shot learning)，它可以建立深度神經網路，透過模仿極簡資料集來學習，例如，嬰兒如何透過只看一兩張照片來學習識別物體。
在區塊鏈分析中，我們可以使用元學習來重用識別模式(如惡意傳輸)的模型來識別有用資訊(如支付交易)。
這些是一些新的機器學習方法，可以成為非常有用的區塊鏈資料分析。隨著加密貨幣分析空間的發展，其中一些技術的應用將從一個開放的實踐變成必須的，以產生有意義的，能夠幫助我們理解加密貨幣資產的行為。
