0xDeCA10B

Обмен обновляемыми моделями (SUM) на блокчейне

(ранее децентрализованный и совместный ИИ на блокчейне)

Демо	Симуляция	Безопасность

Обмен обновляемыми моделями (SUM) на блокчейне - это основа для размещения и обучения общедоступных моделей машинного обучения. В идеале, использование модели для получения предсказания бесплатно. Добавление данных состоит из проверки на три этапа, как описано ниже.

1. Интивейвэмханизм подтверждает запрос на добавление данных, например, в некоторых случаях требуется «коляска» или депозит. В некоторых случаях механизм стимулирования также может быть запускается позже, чтобы предоставить пользователям платежи или виртуальные «карма».
2. DataHandler сохраняет данные и метадаты на блокчейне. Это гарантирует, что он доступен для всех будущих видов использования, а не ограничивается этим умным контрактом.
3. Модель машинного обучения обновляется в соответствии с предопределенными алгоритмами обучения. В дополнение к добавлению данных, любой может запросить модель для предсказаний бесплатно .

Основы структуры можно найти в нашем сообщении в блоге. Демо из одного механизма стимулирования можно найти здесь. Более подробную информацию можно найти в первоначальной статье с описанием структуры, принятой в Blockchain-2019, Международной конференции IEEE по блокчейну.

Этот репозиторий содержит:

• Демо, демонстрирующие некоторые доказательства концептуальных систем с использованием блокчейна Ethereum. Существует локально развертываемая тестовая блокчейн и демонстрационная панель для взаимодействия с интеллектуальными контрактами, написанными в солидности.
• Инструменты моделирования, написанные на Python, чтобы быстро увидеть, как будут работать модели и механизмы стимулирования при развертывании.

Часто задаваемые вопросы/проблемы

Разве умные контракты не просто для простого кода?

Есть много вариантов. Мы можем ограничить структуру простыми моделями: Perceptron, наивным байесом, ближайшим центроидом и т. Д. Мы также можем объединить вычисления с цепочкой с вычислением в цепочке несколькими способами, такими как:

• кодируя не цепь до более высокого представления и просто иметь окончательные слои модели с тонкой настройкой на цепочке,
• используя безопасные многопартийные вычисления, или
• Использование внешних API, или как они называются пространством блокчейна, оракулы, для обучения и запуска модели

Мы также можем использовать алгоритмы, которые не требуют обновления параметров всех моделей (например, Perceptron). Мы надеемся вдохновить больше исследований эффективными способами обновления более сложных моделей.

Некоторые из этих предложений не в истинном духе этой системы, которая заключается в том, чтобы обмениваться моделями полностью публично, но для некоторых приложений они могут быть подходящими. По крайней мере, данные будут переданы, чтобы другие все еще могли использовать их для обучения своих собственных моделей.

Будет ли плата за транзакцию слишком высокой?

Сборы в Ethereum достаточно низкие для простых моделей: несколько центов по состоянию на июль 2019 года. Простые модели машинного обучения хороши для многих приложений. Как описано в предыдущем ответе, есть способы сохранить простые транзакции. Сборы уменьшаются: Ethereum переходит на доказательство кола. Другие блокчейны могут иметь более низкие или, возможно, нет сборов.

Как насчет хранения моделей вне цепи?

Хранение параметров модели вне цепь, например, с использованием IPFS, является вариантом, но многие из популярных решений не имеют надежного зеркалирования, чтобы гарантировать, что модель все еще будет доступна, если узел снизится. Одна из основных целей этого проекта - обмен моделями и улучшить их доступность, самый простой способ сделать это сейчас - хранить и обучать модель в смарт -контракте.

Мы рады сделать улучшения! Если вы знаете о решении, которое было бы дешевле и надежнее, чем хранение моделей на блокчейне, как Ethereum, дайте нам знать, подав проблему!

Что если я просто спам плохие данные?

Это зависит от выбранного механизма стимулирования (IM), но по сути, вы потеряете много денег. Другие заметят, что модель работает плохо или не работает так, как ожидалось, а затем перестанут вносить свой вклад в нее. В зависимости от IM, например, в депозите, возмещении и принятии: самооценка, другие, которые уже представляли «хорошие» данные, с радостью возьмут ваши депозиты, не предоставляя никаких дополнительных данных.

Кроме того, люди могут легко автоматически исправлять ваши данные, используя методы из неконтролируемого обучения, таких как кластеризация. Затем они могут использовать в автономном режиме данных для своей собственной частной модели или даже развернуть новую систему сбора, используя эту модель.

Что, если никто не дает плохих данных, то никто не может получить прибыль?

Замечательно! Эта система будет работать в качестве источника для качественных данных и моделей. Люди будут вносить данные, чтобы помочь улучшить модели машинного обучения, которые они используют в своей повседневной жизни.

Прибыль зависит от механизма стимулирования (IM). Да, в депозите, возврате и возьмите: самооценку, участники не будут получать прибыль и должны быть в состоянии получить свои собственные депозиты. В механизме на рынке прогнозирования участники все еще могут быть вознаграждены первоначальным поставщиком набора наград и тестов.

Узнать больше

Документы

Более подробную информацию можно найти в нашей первоначальной статье, децентрализованном и совместном ИИ на блокчейне, который описывает структуру, принятую в Blockchain-2019, Международная конференция IEEE по блокчейну.

Анализ нескольких моделей машинного обучения с механизмом стимулирования самооценки можно найти в нашей второй статье, анализ моделей децентрализованного и совместного искусственного интеллекта на блокчейне, которая была принята на Международную конференцию 2020 года по блокчейну.

Внося

Этот проект приветствует вклады и предложения. Большинство взносов требуют, чтобы вы согласились с лицензионным соглашением о участнике (CLA), заявив, что вы имеете право и фактически предоставить нам права на использование вашего вклада. Для получения подробной информации посетите https://cla.microsoft.com.

Когда вы отправляете запрос на привлечение, CLA-бот автоматически определит, нужно ли вам предоставить CLA и должным образом украсить PR (например, метка, комментарий). Просто следуйте инструкциям, предоставленным ботом. Вам нужно будет сделать это только один раз во всех репо, используя наш CLA.

Этот проект принял код поведения с открытым исходным кодом Microsoft. Для получения дополнительной информации см. Кодекс поведения FAQ или свяжитесь с [email protected] с любыми дополнительными вопросами или комментариями.