0xDeCA10B

블록 체인에서 업데이트 가능한 모델 (합) 공유

(이전의 분산 및 공동 작업 AI 블록 체인)

데모	시뮬레이션	보안

블록 체인에서 업데이트 가능한 모델 (Sum)을 공유하는 것은 공개적으로 이용 가능한 기계 학습 모델을 호스팅하고 훈련시키는 프레임 워크입니다. 이상적으로는 예측을 얻기 위해 모델을 사용하는 것이 무료입니다. 데이터 추가는 아래에 설명 된대로 3 단계 씩 검증으로 구성됩니다.

1. 인센티브 메커니즘 은 예를 들어, 경우에 따라 "스테이크"또는 예금이 필요합니다. 경우에 따라 인센티브 메커니즘을 나중에 트리거하여 사용자에게 지불 또는 가상 "카르마"포인트를 제공 할 수 있습니다.
2. Datahandler는 블록 체인에 데이터와 메타 데이터를 저장합니다. 이를 통해이 스마트 계약에 국한되지 않고 향후 모든 용도에 액세스 할 수 있습니다.
3. 기계 학습 모델은 사전 정의 된 교육 알고리즘에 따라 업데이트됩니다. 데이터를 추가하는 것 외에도 누구나 예측 을 위해 모델을 쿼리 할 수 ​​있습니다.

프레임 워크의 기본 사항은 블로그 게시물에서 찾을 수 있습니다. 하나의 인센티브 메커니즘의 데모는 여기에서 찾을 수 있습니다. 자세한 내용은 블록 체인에 관한 IEEE 국제 회의 인 블록 체인 -2019에 수락 된 프레임 워크를 설명하는 초기 논문에서 찾을 수 있습니다.

이 저장소에는 다음이 포함됩니다.

• 이더 리움 블록 체인을 사용하여 일부 개념 증명 시스템을 보여주는 데모. 독점적으로 작성된 스마트 계약과 상호 작용하는 로컬로 배포 가능한 테스트 블록 체인 및 데모 대시 보드가 있습니다.
• 배치시 모델과 인센티브 메커니즘이 어떻게 작동하는지 신속하게 파이썬으로 작성된 시뮬레이션 도구.

FAQ/우려

간단한 코드에 대한 스마트 계약이 아닌가?

많은 옵션이 있습니다. 프레임 워크를 Perceptron, Naive Bayes, 가장 가까운 Centroid 등 간단한 모델로 제한 할 수 있습니다. 우리는 오프 체인 계산을 다음과 같은 몇 가지 방법으로 온쇄 계산과 결합 할 수 있습니다.

• 오프 체인을 더 높은 차원 표현으로 인코딩하고 모델 미세 조정 온 체인의 최종 레이어 만 있습니다.
• 보안 다자 계산 사용, OR
• 외부 API 사용 또는 블록 체인 공간 인 오라클 (Oracles)을 사용하여 모델을 훈련하고 실행합니다.

또한 모든 모델 매개 변수를 업데이트 할 필요가없는 알고리즘 (예 : Perceptron)도 사용할 수 있습니다. 우리는보다 복잡한 모델을 업데이트하는 효율적인 방법으로 더 많은 연구에 영감을주기를 희망합니다.

이러한 제안 중 일부는이 시스템의 진정한 정신이 아니며,이 시스템은 모델을 완전히 공개적으로 공유하는 것이 아니라 일부 응용 프로그램의 경우 적합 할 수 있습니다. 적어도 데이터는 공유되므로 다른 사람들은 여전히 ​​자신의 모델을 훈련시키는 데 사용될 수 있습니다.

거래 수수료가 너무 높습니까?

이더 리움의 수수료는 간단한 모델에 대해 충분히 낮습니다. 2019 년 7 월 현재 몇 센트. 간단한 기계 학습 모델은 많은 응용 프로그램에 좋습니다. 이전 답변에 설명 된 바와 같이, 거래를 단순하게 유지하는 방법이 있습니다. 수수료가 감소하고 있습니다 : 이더 리움은 스테이크 증명으로 전환하고 있습니다. 다른 블록 체인은 수수료가 낮거나 가능하지 않을 수 있습니다.

모델 오프 체인을 저장하는 것은 어떻습니까?

예를 들어 IPF를 사용하는 모델 매개 변수를 오프 체인을 저장하는 것은 옵션이지만, 인기있는 솔루션의 대부분은 노드가 줄어든 경우 모델을 사용할 수 있도록 강력한 미러링이 없습니다. 이 프로젝트의 주요 목표 중 하나는 모델을 공유하고 가용성을 향상시키는 것입니다. 가장 쉬운 방법은 모델을 스마트 계약에 저장하고 훈련시키는 것입니다.

우리는 개선하게되어 기쁩니다! 이더 리움과 같은 블록 체인에 모델을 저장하는 것보다 저렴하고 강력한 솔루션을 알고 있다면 문제를 제출하여 알려주십시오!

만약 내가 나쁜 데이터를 스팸한다면 어떻게해야합니까?

이것은 선택된 인센티브 메커니즘 (IM)에 달려 있지만 본질적으로 많은 돈을 잃게됩니다. 다른 사람들은 모델이 예상대로 작동하지 않거나 예상대로 작동하지 않는다는 것을 알게 될 것입니다. 예금, 환불 및 테이크와 같은 IM에 따라 다음과 같은 자체 평가, 이미 "좋은"데이터를 제출 한 다른 사람은 더 이상 데이터를 제출하지 않고도 기꺼이 예금을 가져옵니다.

또한 사람들은 클러스터링과 같은 감독되지 않은 학습의 기술을 사용하여 데이터를 쉽게 자동으로 수정할 수 있습니다. 그런 다음 자신의 개인 모델에 오프라인으로 데이터를 사용하거나 해당 모델을 사용하여 새 수집 시스템을 배포 할 수도 있습니다.

아무도 나쁜 데이터를 제공하지 않으면 아무도 이익을 얻을 수 없다면 어떨까요?

그거 대단해! 이 시스템은 품질 데이터 및 모델의 소스로 작동합니다. 사람들은 일상 생활에서 사용하는 기계 학습 모델을 개선하기 위해 데이터를 기여할 것입니다.

이익은 인센티브 메커니즘 (IM)에 따라 다릅니다. 예, 예금, 환불 및 취하면 자체 평가 : 기고자는 이익을 얻지 못하고 자신의 예금을 청구 할 수 있어야합니다. 예측 시장 기반 메커니즘에서 기고자들은 여전히 ​​현상금 및 테스트 세트의 원래 제공 업체에 의해 보상을받을 수 있습니다.

자세히 알아보십시오

서류

자세한 내용은 블록 체인에 관한 IEEE 국제 회의 인 블록 체인 -2019에 수락 된 프레임 워크를 설명하는 초기 논문, 분산 및 공동 작업 AI에서 찾을 수 있습니다.

자체 평가 인센티브 메커니즘을 갖춘 여러 기계 학습 모델에 대한 분석은 두 번째 논문에서 찾을 수 있습니다. 블록 체인에 대한 분산 및 협력 AI 모델 분석은 2020 년 블록 체인에 관한 국제 회의에 수용되었습니다.

기여

이 프로젝트는 기여와 제안을 환영합니다. 대부분의 기부금은 귀하가 귀하가 귀하의 기부금을 사용할 권리를 부여 할 권리가 있다고 선언하는 기고자 라이센스 계약 (CLA)에 동의해야합니다. 자세한 내용은 https://cla.microsoft.com을 방문하십시오.

풀 요청을 제출할 때 CLA-BOT은 CLA를 제공하고 PR을 적절하게 장식 해야하는지 자동으로 결정합니다 (예 : 레이블, 댓글). 봇이 제공 한 지침을 따르십시오. CLA를 사용하여 모든 저장소에서 한 번만이 작업을 수행하면됩니다.

이 프로젝트는 Microsoft 오픈 소스 행동 강령을 채택했습니다. 자세한 내용은 추가 질문이나 의견이 있으면 행동 강령 FAQ 또는 [email protected]에 문의하십시오.