0xDeCA10B

مشاركة النماذج القابلة للتحديث (SUM) على blockchain

(منظمة العفو الدولية التي كانت مركزية وتعاونية سابقًا على blockchain)

العرض التوضيحي	محاكاة	حماية

يعد مشاركة النماذج القابلة للتحديث (SUM) على blockchain إطارًا لاستضافة وتدريب نماذج التعلم الآلي المتاحة للجمهور. من الناحية المثالية ، فإن استخدام نموذج للحصول على التنبؤ مجاني. تتكون إضافة البيانات من التحقق من ثلاث خطوات كما هو موضح أدناه.

1. يقوم آلية الحوافز بالتحقق من صحة طلب إضافة بيانات ، على سبيل المثال ، في بعض الحالات "حصة" أو إيداع مطلوب. في بعض الحالات ، يمكن أيضًا تشغيل آلية الحوافز لاحقًا لتزويد المستخدمين بالمدفوعات أو نقاط "الكرمة" الافتراضية.
2. يقوم Datahandler بتخزين البيانات والبيانات الوصفية على blockchain. هذا يضمن أنه في متناول جميع الاستخدامات المستقبلية ، لا يقتصر على هذا العقد الذكي.
3. يتم تحديث نموذج التعلم الآلي وفقًا لخوارزميات التدريب المحددة مسبقًا. بالإضافة إلى إضافة البيانات ، يمكن لأي شخص الاستعلام عن النموذج للتنبؤات مجانًا .

يمكن العثور على أساسيات الإطار في منشور المدونة لدينا. يمكن العثور على عرض تجريبي لآلية حافز واحدة هنا. يمكن الاطلاع على مزيد من التفاصيل في الورقة الأولية التي تصف الإطار ، المقبول في blockchain-2019 ، مؤتمر IEEE الدولي على blockchain.

يحتوي هذا المستودع على:

• العروض التوضيحية التي تعرض بعض إثبات أنظمة المفاهيم باستخدام ethereum blockchain. هناك لوحة اختبار قابلة للنشر محليًا ولوحة معلومات العرض التجريبي للتفاعل مع العقود الذكية المكتوبة في الصلابة.
• أدوات المحاكاة المكتوبة في Python لمعرفة كيفية عمل النماذج وآليات الحوافز عند نشرها.

الأسئلة الشائعة/المخاوف

ليست العقود الذكية فقط للرمز البسيط؟

هناك العديد من الخيارات. يمكننا تقييد الإطار على النماذج البسيطة: Perceptron ، Bayes Sain ، أقرب إلى النقطه الوسطى ، إلخ. يمكننا أيضًا الجمع بين الحساب خارج السلسلة مع الحساب على السلسلة بعدة طرق مثل:

• ترميز السلسلة على تمثيل أبعاد أعلى ولديها الطبقات النهائية من النموذج الذي تم ضبطه على السلسلة ،
• باستخدام حساب آمن متعدد الأحزاب ، أو
• باستخدام واجهات برمجة التطبيقات الخارجية ، أو كما يطلق عليها مساحة blockchain ، Oracles ، لتدريب وتشغيل النموذج

يمكننا أيضًا استخدام الخوارزميات التي لا تتطلب تحديث جميع المعلمات النماذج (مثل Perceptron). نأمل أن نلهم المزيد من البحث بطرق فعالة لتحديث النماذج الأكثر تعقيدًا.

بعض هذه المقترحات ليست في الروح الحقيقية لهذا النظام والتي تتمثل في مشاركة النماذج علنًا تمامًا ولكن بالنسبة لبعض التطبيقات التي قد تكون مناسبة. على الأقل سيتم مشاركة البيانات حتى يتمكن الآخرون من استخدامها لتدريب نماذجهم الخاصة.

هل ستكون رسوم المعاملات مرتفعة جدًا؟

الرسوم في Ethereum منخفضة بما يكفي لنماذج بسيطة: بضعة سنتات اعتبارًا من يوليو 2019. تعد نماذج التعلم الآلي البسيطة جيدة للعديد من التطبيقات. كما هو موضح الإجابة السابقة ، هناك طرق للحفاظ على المعاملات بسيطة. الرسوم تتناقص: Ethereum يتحول إلى دليل على حصة. قد يكون لدى blockchains الأخرى أقل أو ربما لا توجد رسوم.

ماذا عن تخزين النماذج خارج السلسلة؟

يعد تخزين المعلمات النموذجية خارج السلسلة ، على سبيل المثال باستخدام IPFS ، خيارًا ، لكن العديد من الحلول الشائعة لا تحتوي على نسبة متطابقة قوية للتأكد من أن النموذج سيظل متاحًا إذا سقطت العقدة. يتمثل أحد الأهداف الرئيسية لهذا المشروع في مشاركة النماذج وتحسين توفرها ، وهي أسهل طريقة للقيام بذلك الآن هي تخزين النموذج والتدريب في عقد ذكي.

يسعدنا إجراء تحسينات! إذا كنت تعرف حلًا سيكون أرخص وأكثر قوة من تخزين النماذج على blockchain مثل Ethereum ، فأخبرنا بتقديم مشكلة!

ماذا لو قمت فقط بالرسائل غير المرغوب فيها بيانات سيئة؟

هذا يعتمد على آلية الحوافز (IM) التي تم اختيارها ولكن بشكل أساسي ، ستفقد الكثير من المال. سوف يلاحظ الآخرون أن النموذج يعمل بشكل سيء أو لا يعمل كما هو متوقع ، ثم يتوقفون عن المساهمة في ذلك. اعتمادًا على IM ، كما هو الحال في الإيداع ، والاسترداد ، والاتخاذ: التقييم الذاتي ، فإن الآخرين الذين قدموا بالفعل البيانات "الجيدة" سوف تأخذ بكل سرور ودائعك دون تقديم أي بيانات أخرى.

علاوة على ذلك ، يمكن للأشخاص تصحيح بياناتك تلقائيًا باستخدام تقنيات من التعلم غير الخاضع للإشراف مثل التجميع. يمكنهم بعد ذلك استخدام البيانات دون اتصال بالطراز الخاص أو حتى نشر نظام تجميع جديد باستخدام هذا النموذج.

ماذا لو لم يعطي أحد بيانات سيئة ، فلا يمكن لأحد أن يستفيد؟

هذا رائع! سيعمل هذا النظام كمصدر لبيانات ونماذج الجودة. سيساهم الأشخاص في البيانات للمساعدة في تحسين نماذج التعلم الآلي التي يستخدمونها في حياتهم اليومية.

الربح يعتمد على آلية الحوافز (IM). نعم ، في الإيداع ، استرداد الأموال ، والاتخاذ: التقييم الذاتي ، لن يستفيد المساهمون وينبغي أن يكونوا قادرين على المطالبة بإعادة الودائع الخاصة بهم. في الآلية القائمة على سوق التنبؤ ، لا يزال بإمكان المساهمين مكافأة المزود الأصلي لمجموعة المكافآت ومجموعة الاختبار.

يتعلم أكثر

أوراق

يمكن العثور على مزيد من التفاصيل في ورقةنا الأولية ، AI اللامركزية والتعاونية على blockchain ، والتي تصف الإطار ، المقبول في blockchain-2019 ، المؤتمر الدولي IEEE حول blockchain.

يمكن العثور على تحليل للعديد من نماذج التعلم الآلي مع آلية حوافز التقييم الذاتي في ورقتنا الثانية ، وتحليل نماذج AI اللامركزية والتعاونية على blockchain ، والتي تم قبولها في المؤتمر الدولي لعام 2020 على blockchain.

المساهمة

يرحب هذا المشروع بالمساهمات والاقتراحات. تطلب منك معظم المساهمات الموافقة على اتفاقية ترخيص المساهم (CLA) مع إعلان أن لديك الحق في ذلك في الواقع ، ويفعلنا في الواقع حقوق استخدام مساهمتك. للحصول على التفاصيل ، تفضل بزيارة https://cla.microsoft.com.

عند إرسال طلب سحب ، ستحدد CLA-Bot تلقائيًا ما إذا كنت بحاجة إلى توفير CLA وتزيين العلاقات العامة بشكل مناسب (على سبيل المثال ، التسمية ، التعليق). ببساطة اتبع الإرشادات التي يقدمها الروبوت. ستحتاج فقط إلى القيام بذلك مرة واحدة عبر جميع عمليات إعادة الشراء باستخدام CLA لدينا.

اعتمد هذا المشروع رمز سلوك المصدر المفتوح Microsoft. لمزيد من المعلومات ، راجع مدونة الشهادة الأسئلة الشائعة أو الاتصال بـ [email protected] مع أي أسئلة أو تعليقات إضافية.