0xDeCA10B

Berbagi Model yang Dapat Diperbarui (Jumlah) di Blockchain

(Dahulu desentralisasi & kolaboratif AI di blockchain)

Demo	Simulasi	Keamanan

Berbagi model yang dapat diperbarui (jumlah) di blockchain adalah kerangka kerja untuk menyelenggarakan dan melatih model pembelajaran mesin yang tersedia untuk umum. Idealnya, menggunakan model untuk mendapatkan prediksi itu gratis. Menambahkan data terdiri dari validasi dengan tiga langkah seperti yang dijelaskan di bawah ini.

1. Insentivemekanisme memvalidasi permintaan untuk menambahkan data, misalnya, dalam beberapa kasus diperlukan "saham" atau setoran. Dalam beberapa kasus, mekanisme insentif juga dapat dipicu kemudian untuk memberikan pengguna pembayaran atau poin "karma" virtual.
2. DataHandler menyimpan data dan meta-data di blockchain. Ini memastikan bahwa itu dapat diakses untuk semua penggunaan di masa depan, tidak terbatas pada kontrak pintar ini.
3. Model pembelajaran mesin diperbarui sesuai dengan algoritma pelatihan yang telah ditentukan. Selain menambahkan data, siapa pun dapat meminta model untuk prediksi secara gratis .

Dasar -dasar kerangka kerja dapat ditemukan di posting blog kami. Demo satu mekanisme insentif dapat ditemukan di sini. Rincian lebih lanjut dapat ditemukan dalam makalah awal yang menggambarkan kerangka kerja, diterima untuk Blockchain-2019, Konferensi Internasional IEEE tentang Blockchain.

Repositori ini berisi:

• Demo menampilkan beberapa bukti sistem konsep menggunakan blockchain Ethereum. Ada blockchain uji dan demo dasbor yang dapat digunakan secara lokal untuk berinteraksi dengan kontrak pintar yang ditulis dalam soliditas.
• Alat simulasi yang ditulis dalam Python untuk dengan cepat melihat bagaimana model dan mekanisme insentif akan bekerja saat digunakan.

FAQ/Kekhawatiran

Bukankah kontrak pintar hanya untuk kode sederhana?

Ada banyak pilihan. Kami dapat membatasi kerangka kerja untuk model sederhana: Perceptron, Naive Bayes, Centroid terdekat, dll. Kami juga dapat menggabungkan perhitungan rantai dengan perhitungan rantai dalam beberapa cara seperti:

• mengkode rantai off ke representasi dimensi yang lebih tinggi dan hanya memiliki lapisan akhir dari model yang disesuaikan dengan rantai,
• menggunakan perhitungan multipartai yang aman, atau
• menggunakan API eksternal, atau seperti yang disebut ruang blockchain, oracles, untuk melatih dan menjalankan model

Kami juga dapat menggunakan algoritma yang tidak memerlukan semua parameter model untuk diperbarui (misalnya Perceptron). Kami berharap dapat menginspirasi lebih banyak penelitian dengan cara yang efisien untuk memperbarui model yang lebih kompleks.

Beberapa proposal itu tidak dalam semangat sejati sistem ini yaitu untuk berbagi model secara publik tetapi untuk beberapa aplikasi mereka mungkin cocok. Setidaknya data akan dibagikan sehingga orang lain masih dapat menggunakannya untuk melatih model mereka sendiri.

Akankah biaya transaksi terlalu tinggi?

Biaya dalam Ethereum cukup rendah untuk model sederhana: beberapa sen pada Juli 2019. Model pembelajaran mesin sederhana baik untuk banyak aplikasi. Seperti yang dijelaskan jawaban sebelumnya, ada cara untuk menjaga transaksi tetap sederhana. Biaya menurun: Ethereum beralih ke bukti saham. Blockchain lain mungkin memiliki biaya yang lebih rendah atau tidak ada.

Bagaimana dengan menyimpan model off-rantai?

Menyimpan parameter model off-chain, misalnya menggunakan IPFS, adalah opsi tetapi banyak solusi populer tidak memiliki mirroring yang kuat untuk memastikan bahwa model masih akan tersedia jika sebuah node turun. Salah satu tujuan utama dari proyek ini adalah untuk berbagi model dan meningkatkan ketersediaannya, cara termudah untuk melakukannya sekarang adalah dengan memiliki model disimpan dan dilatih dalam kontrak pintar.

Kami senang melakukan perbaikan! Jika Anda tahu solusi yang akan lebih murah dan lebih kuat daripada menyimpan model di blockchain seperti Ethereum maka beri tahu kami dengan mengajukan masalah!

Bagaimana jika saya hanya spam data yang buruk?

Ini tergantung pada mekanisme insentif (IM) yang dipilih tetapi pada dasarnya, Anda akan kehilangan banyak uang. Orang lain akan melihat model ini berkinerja buruk atau tidak berfungsi seperti yang diharapkan dan kemudian berhenti berkontribusi padanya. Bergantung pada IM, seperti dalam setoran, pengembalian uang, dan ambil: penilaian diri, orang lain yang sudah mengirimkan data "baik" dengan senang hati akan mengambil deposito Anda tanpa mengirimkan data lagi.

Selain itu, orang dapat dengan mudah memperbaiki data Anda menggunakan teknik dari pembelajaran tanpa pengawasan seperti pengelompokan. Mereka kemudian dapat menggunakan data offline untuk model pribadi mereka sendiri atau bahkan menggunakan sistem pengumpulan baru menggunakan model itu.

Bagaimana jika tidak ada yang memberikan data yang buruk, maka tidak ada yang bisa mendapat untung?

Itu bagus! Sistem ini akan berfungsi sebagai sumber data dan model berkualitas. Orang akan berkontribusi data untuk membantu meningkatkan model pembelajaran mesin yang mereka gunakan dalam kehidupan sehari -hari.

Laba tergantung pada mekanisme insentif (IM). Ya, dalam setoran, pengembalian uang, dan ambil: penilaian diri, para kontributor tidak akan mendapat untung dan harus dapat mengklaim kembali setoran mereka sendiri. Dalam mekanisme berbasis pasar prediksi, kontributor masih dapat dihargai oleh penyedia asli dari hadiah dan tes.

Pelajari lebih lanjut

Dokumen

Rincian lebih lanjut dapat ditemukan di makalah awal kami, AI yang terdesentralisasi & kolaboratif tentang blockchain, yang menjelaskan kerangka kerja, diterima untuk Blockchain-2019, Konferensi Internasional IEEE tentang Blockchain.

Analisis beberapa model pembelajaran mesin dengan mekanisme insentif penilaian mandiri dapat ditemukan di makalah kedua kami, analisis model untuk AI yang terdesentralisasi dan kolaboratif di blockchain, yang diterima untuk Konferensi Internasional 2020 tentang Blockchain.

Berkontribusi

Proyek ini menyambut kontribusi dan saran. Sebagian besar kontribusi mengharuskan Anda untuk menyetujui perjanjian lisensi kontributor (CLA) yang menyatakan bahwa Anda memiliki hak untuk, dan benar -benar melakukan, memberi kami hak untuk menggunakan kontribusi Anda. Untuk detailnya, kunjungi https://cla.microsoft.com.

Saat Anda mengirimkan permintaan tarik, CLA-bot akan secara otomatis menentukan apakah Anda perlu memberikan CLA dan menghiasi PR secara tepat (misalnya, label, komentar). Cukup ikuti instruksi yang disediakan oleh bot. Anda hanya perlu melakukan ini sekali di semua repo menggunakan CLA kami.

Proyek ini telah mengadopsi kode perilaku open source Microsoft. Untuk informasi lebih lanjut, lihat FAQ Kode Perilaku atau hubungi [email protected] dengan pertanyaan atau komentar tambahan.