0xDeCA10B

Partage de modèles à jour (SUM) sur la blockchain

(Anciennement décentralisé et collaboratif AI sur la blockchain)

Démo	Simulation	Sécurité

Le partage de modèles à jour (SUM) sur la blockchain est un cadre pour héberger et former des modèles d'apprentissage automatique accessibles au public. Idéalement, l'utilisation d'un modèle pour obtenir une prédiction est gratuite. L'ajout de données consiste en validation par trois étapes comme décrit ci-dessous.

1. Le mécanisme INCENTIVEMEMAGE valide la demande d'ajouter des données, par exemple, dans certains cas, une "pieu" ou un dépôt est requis. Dans certains cas, le mécanisme d'incitation peut également être déclenché plus tard pour fournir aux utilisateurs des paiements ou des points "karma" virtuels.
2. Le Datahandler stocke les données et les méta-données sur la blockchain. Cela garantit qu'il est accessible pour toutes les utilisations futures, sans s'y limiter à ce contrat intelligent.
3. Le modèle d'apprentissage automatique est mis à jour en fonction des algorithmes de formation prédéfinis. En plus d'ajouter des données, n'importe qui peut interroger le modèle de prédictions gratuitement .

Les bases du cadre se trouvent dans notre article de blog. Une démo d'un mécanisme d'incitation peut être trouvée ici. Plus de détails peuvent être trouvés dans l'article initial décrivant le cadre, accepté sur la blockchain 2019, la Conférence internationale de l'IEEE sur la blockchain.

Ce référentiel contient:

• Les démos présentant certains systèmes de preuve de concept à l'aide de la blockchain Ethereum. Il existe une blockchain et un tableau de bord de démo de test localement déployables pour interagir avec des contrats intelligents écrits en solidité.
• Des outils de simulation écrits dans Python pour voir rapidement comment les modèles et les mécanismes d'incitation fonctionneraient lors du déploiement.

FAQ / Préoccupations

Les contrats intelligents ne sont-ils pas uniquement pour un code simple?

Il existe de nombreuses options. Nous pouvons restreindre le cadre à des modèles simples: perceptron, bayes naïfs, centroïde le plus proche, etc. Nous pouvons également combiner un calcul hors chaîne avec un calcul en chaîne de plusieurs manières telles que:

• Encodage hors de la chaîne à une représentation dimensionnelle supérieure et avoir simplement les couches finales du modèle affinés sur la chaîne,
• en utilisant un calcul multipartite sécurisé, ou
• en utilisant des API externes, ou comme on l'appelle l'espace blockchain, oracles, pour entraîner et exécuter le modèle

Nous pouvons également utiliser des algorithmes qui ne nécessitent pas que tous les paramètres de modèles soient mis à jour (par exemple Perceptron). Nous espérons inspirer plus de recherches de manière efficace pour mettre à jour des modèles plus complexes.

Certaines de ces propositions ne sont pas dans le véritable esprit de ce système qui est de partager complètement les modèles, mais pour certaines applications, elles peuvent convenir. Au moins, les données seraient partagées afin que d'autres puissent toujours l'utiliser pour former leurs propres modèles.

Les frais de transaction seront-ils trop élevés?

Les frais d'Ethereum sont suffisamment bas pour les modèles simples: quelques cents en juillet 2019. Les modèles d'apprentissage automatique simples sont bons pour de nombreuses applications. Comme décrit la réponse précédente, il existe des moyens de maintenir les transactions simples. Les frais diminuent: Ethereum passe à la preuve de la participation. D'autres blockchains peuvent avoir des frais plus bas ou peut-être.

Qu'en est-il du stockage des modèles hors chaîne?

Le stockage des paramètres du modèle hors chaîne, par exemple en utilisant IPFS, est une option, mais bon nombre des solutions populaires n'ont pas de miroir robuste pour s'assurer que le modèle sera toujours disponible si un nœud baisse. L'un des principaux objectifs de ce projet est de partager des modèles et d'améliorer leur disponibilité, la façon la plus simple de le faire maintenant est d'avoir le modèle stocké et formé à un contrat intelligent.

Nous sommes heureux de faire des améliorations! Si vous connaissez une solution qui serait moins chère et plus robuste que le stockage de modèles sur une blockchain comme Ethereum, alors faites-le nous savoir en déposant un problème!

Et si je spam simplement de mauvaises données?

Cela dépend du mécanisme d'incitation (IM) choisi mais essentiellement, vous perdrez beaucoup d'argent. D'autres remarqueront que le modèle fonctionne mal ou ne fonctionne pas comme prévu, puis cessera d'y contribuer. Selon le MI, comme dans le dépôt, le remboursement et la prise: l'auto-évaluation, d'autres qui ont déjà soumis de "bonnes" données prendront volontiers vos dépôts sans soumettre plus de données.

De plus, les gens peuvent facilement corriger automatiquement vos données en utilisant des techniques à partir d'apprentissage non supervisé, comme le clustering. Ils peuvent ensuite utiliser les données hors ligne pour leur propre modèle privé ou même déployer un nouveau système de collecte en utilisant ce modèle.

Et si personne ne donne de mauvaises données, alors personne ne peut en profiter?

C'est super! Ce système fonctionnera comme source de données et de modèles de qualité. Les gens apporteront des données pour aider à améliorer les modèles d'apprentissage automatique qu'ils utilisent dans leur vie quotidienne.

Le profit dépend du mécanisme d'incitation (IM). Oui, en dépôt, en remboursement et en prenant: l'auto-évaluation, les contributeurs ne profiteront pas et devraient pouvoir réclamer leurs propres dépôts. Dans le mécanisme basé sur le marché de la prédiction, les contributeurs peuvent toujours être récompensés par le fournisseur d'origine de l'ensemble de primes et de tests.

Apprendre encore plus

Papiers

Plus de détails peuvent être trouvés dans notre article initial, une IA décentralisée et collaborative sur la blockchain, qui décrit le cadre, accepté sur la blockchain-2019, la Conférence internationale de l'IEEE sur la blockchain.

Une analyse de plusieurs modèles d'apprentissage automatique avec le mécanisme d'incitation à l'auto-évaluation peut être trouvée dans notre deuxième article, analyse des modèles pour l'IA décentralisée et collaborative sur la blockchain, qui a été acceptée à la Conférence internationale de 2020 sur la blockchain.

Contributif

Ce projet accueille les contributions et les suggestions. La plupart des contributions vous obligent à accepter un accord de licence de contributeur (CLA) déclarant que vous avez le droit de faire et en fait, accordez-nous les droits d'utilisation de votre contribution. Pour plus de détails, visitez https://cla.microsoft.com.

Lorsque vous soumettez une demande de traction, un CLA-BOT déterminera automatiquement si vous devez fournir un CLA et décorer le PR de manière appropriée (par exemple, étiqueter, commentaire). Suivez simplement les instructions fournies par le bot. Vous n'aurez besoin de le faire qu'une seule fois sur tous les dépositions en utilisant notre CLA.

Ce projet a adopté le code de conduite open source Microsoft. Pour plus d'informations, consultez le code de conduite FAQ ou contactez [email protected] avec toute question ou commentaire supplémentaire.