0xDeCA10B

Compartilhando modelos atualizáveis ​​(soma) no blockchain

(AI ANTIFENTRIZADA E COLABORATIVA EM Blockchain)

Demonstração	Simulação	Segurança

Compartilhando modelos atualizáveis ​​(SUM) no blockchain é uma estrutura para hospedar e treinar modelos de aprendizado de máquina disponíveis ao público. Idealmente, usar um modelo para obter uma previsão é gratuito. A adição de dados consiste em validação por três etapas, conforme descrito abaixo.

1. O Incentivemecanism valida a solicitação para adicionar dados, por exemplo, em alguns casos é necessária uma "estaca" ou depósito. Em alguns casos, o mecanismo de incentivo também pode ser acionado posteriormente para fornecer aos usuários pagamentos ou pontos virtuais de "karma".
2. O Datahandler armazena dados e metadados na blockchain. Isso garante que seja acessível para todos os usos futuros, não limitados a esse contrato inteligente.
3. O modelo de aprendizado de máquina é atualizado de acordo com os algoritmos de treinamento predefinidos. Além de adicionar dados, qualquer pessoa pode consultar o modelo para previsões gratuitamente .

O básico da estrutura pode ser encontrado em nossa postagem no blog. Uma demonstração de um mecanismo de incentivo pode ser encontrado aqui. Mais detalhes podem ser encontrados no artigo inicial que descreve a estrutura, aceito no Blockchain-2019, a Conferência Internacional do IEEE sobre blockchain.

Este repositório contém:

• Demonstrações mostrando algumas provas de sistemas conceituais usando o Blockchain Ethereum. Existe um painel de demonstração de teste e demonstração de teste localmente implantável para interagir com contratos inteligentes escritos em solidez.
• Ferramentas de simulação escritas em Python para ver rapidamente como modelos e mecanismos de incentivo funcionariam quando implantados.

Perguntas frequentes/preocupações

Não são contratos inteligentes apenas para código simples?

Existem muitas opções. Podemos restringir a estrutura a modelos simples: perceptron, Bayes ingênuo, centróide mais próximo, etc. Também podemos combinar o cálculo fora da cadeia com a computação na cadeia de algumas maneiras, como:

• codificar fora da cadeia para uma representação dimensional superior e apenas ter as camadas finais do modelo de ajuste fino na cadeia,
• usando computação multipartidária segura, ou
• Usando APIs externas, ou como são chamadas de espaço blockchain, oracles, para treinar e executar o modelo

Também podemos usar algoritmos que não exigem que todos os parâmetros de modelos sejam atualizados (por exemplo, perceptron). Esperamos inspirar mais pesquisas de maneiras eficientes para atualizar modelos mais complexos.

Algumas dessas propostas não estão no verdadeiro espírito desse sistema, que é compartilhar modelos completamente publicamente, mas para algumas aplicações, eles podem ser adequados. Pelo menos os dados seriam compartilhados para que outros ainda possam usá -los para treinar seus próprios modelos.

As taxas de transação serão muito altas?

As taxas no Ethereum são baixas o suficiente para modelos simples: alguns centavos em julho de 2019. Os modelos simples de aprendizado de máquina são bons para muitas aplicações. Conforme descrito a resposta anterior, existem maneiras de simplificar as transações. As taxas estão diminuindo: o Ethereum está mudando para a prova de participação. Outras blockchains podem ter taxas mais baixas ou possivelmente sem nenhuma.

Que tal armazenar modelos fora da cadeia?

Armazenar os parâmetros do modelo fora da cadeia, por exemplo, usando IPFs, é uma opção, mas muitas das soluções populares não têm espelhamento robusto para garantir que o modelo ainda esteja disponível se um nó diminuir. Um dos principais objetivos deste projeto é compartilhar modelos e melhorar sua disponibilidade, a maneira mais fácil de fazer isso agora é ter o modelo armazenado e treinado em um contrato inteligente.

Estamos felizes em fazer melhorias! Se você conhece uma solução que seria mais barata e mais robusta do que armazenar modelos em uma blockchain como o Ethereum, informe -nos arquivando um problema!

E se eu apenas spam de dados ruins?

Isso depende do mecanismo de incentivo (IM) escolhido, mas essencialmente, você perderá muito dinheiro. Outros notarão que o modelo está tendo um desempenho ruim ou não funciona conforme o esperado e depois parará de contribuir para ele. Dependendo do IM, como em depósito, reembolso e tomada: autoavaliação, outros que já enviaram dados "bons" de bom grado receberão seus depósitos sem enviar mais dados.

Além disso, as pessoas podem facilmente corrigir seus dados automaticamente usando técnicas de aprendizado não supervisionado, como o clustering. Eles podem usar os dados offline para seu próprio modelo privado ou até mesmo implantar um novo sistema de coleção usando esse modelo.

E se ninguém fornecer dados ruins, então ninguém poderá lucrar?

Isso é ótimo! Este sistema funcionará como fonte de dados e modelos de qualidade. As pessoas contribuirão com dados para ajudar a melhorar os modelos de aprendizado de máquina que usam em sua vida diária.

O lucro depende do mecanismo de incentivo (IM). Sim, em depósito, reembolso e tomada: autoavaliação, os colaboradores não lucram e devem reivindicar seus próprios depósitos. No mecanismo baseado no mercado de previsão, os colaboradores ainda podem ser recompensados ​​pelo fornecedor original do conjunto de recompensas e testes.

Saber mais

Papéis

Mais detalhes podem ser encontrados em nosso artigo inicial, IA descentralizada e colaborativa no blockchain, que descreve a estrutura, aceita para o Blockchain-2019, a Conferência Internacional do IEEE sobre Blockchain.

Uma análise de vários modelos de aprendizado de máquina com o mecanismo de incentivo à auto-avaliação pode ser encontrado em nosso segundo artigo, análise de modelos para IA descentralizada e colaborativa no blockchain, que foi aceito na Conferência Internacional de 2020 sobre blockchain.

Contribuindo

Este projeto recebe contribuições e sugestões. A maioria das contribuições exige que você concorde com um Contrato de Licença de Colaborador (CLA) declarando que você tem o direito e, na verdade, concede -nos os direitos de usar sua contribuição. Para detalhes, visite https://cla.microsoft.com.

Quando você envia uma solicitação de tração, um CLA-bot determina automaticamente se você precisa fornecer um CLA e decorar o PR adequadamente (por exemplo, etiqueta, comentário). Simplesmente siga as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios usando nosso CLA.

Este projeto adotou o Código de Conduta Open Microsoft. Para obter mais informações, consulte o Código de Conduta Perguntas frequentes ou entre em contato com [email protected] com quaisquer perguntas ou comentários adicionais.