0xDeCA10B

การแชร์โมเดลที่อัปเดตได้ (SUM) บน blockchain

(เดิมคือการกระจายอำนาจและการทำงานร่วมกัน AI บน blockchain)

การสาธิต	การจำลอง	ความปลอดภัย

การแชร์โมเดลที่อัปเดตได้ (SUM) บน blockchain เป็นกรอบสำหรับโฮสต์และฝึกอบรมโมเดลการเรียนรู้ของเครื่องจักรที่เปิดเผยต่อสาธารณะ เป็นการดีที่การใช้แบบจำลองเพื่อรับการทำนายฟรี การเพิ่มข้อมูลประกอบด้วยการตรวจสอบความถูกต้องสามขั้นตอนตามที่อธิบายไว้ด้านล่าง

1. IncentiveMechanism ตรวจสอบการร้องขอเพื่อเพิ่มข้อมูลตัวอย่างเช่นในบางกรณีจำเป็นต้องมี "เงินเดิมพัน" หรือเงินฝาก ในบางกรณีกลไกการสร้างแรงจูงใจสามารถถูกเรียกใช้ในภายหลังเพื่อให้ผู้ใช้ได้รับการชำระเงินหรือคะแนน "กรรม" เสมือนจริง
2. Datahandler เก็บข้อมูลและเมตาดาต้าบน blockchain สิ่งนี้ทำให้มั่นใจได้ว่าสามารถเข้าถึงได้สำหรับการใช้งานในอนาคตทั้งหมดไม่ จำกัด เฉพาะสัญญาอัจฉริยะนี้
3. รูปแบบ การเรียนรู้ของเครื่องได้รับการปรับปรุงตามอัลกอริทึมการฝึกอบรมที่กำหนดไว้ล่วงหน้า นอกเหนือจากการเพิ่มข้อมูลแล้วทุกคนสามารถสอบถามแบบจำลองสำหรับการคาดการณ์ ได้ฟรี

พื้นฐานของเฟรมเวิร์กสามารถพบได้ในโพสต์บล็อกของเรา การสาธิตของกลไกแรงจูงใจหนึ่งสามารถพบได้ที่นี่ รายละเอียดเพิ่มเติมสามารถพบได้ในกระดาษเริ่มต้นที่อธิบายถึงกรอบการทำงานที่ได้รับการยอมรับจาก blockchain-2019 การประชุมนานาชาติ IEEE เกี่ยวกับ blockchain

ที่เก็บนี้มี:

• การสาธิตแสดงหลักฐานบางอย่างของระบบแนวคิดโดยใช้ Ethereum blockchain มีการทดสอบ blockchain และ demo dashboard ที่ปรับใช้ได้ในพื้นที่เพื่อโต้ตอบกับสัญญาอัจฉริยะที่เขียนด้วยความแข็งแกร่ง
• เครื่องมือจำลองที่เขียนใน Python เพื่อดูว่าแบบจำลองและกลไกแรงจูงใจจะทำงานได้อย่างรวดเร็วว่าจะใช้งานได้อย่างไรเมื่อปรับใช้

คำถามที่พบบ่อย/ข้อกังวล

สัญญาอัจฉริยะไม่ใช่แค่รหัสง่ายหรือไม่?

มีตัวเลือกมากมาย เราสามารถ จำกัด เฟรมเวิร์กให้เป็นแบบจำลองง่าย ๆ : Perceptron, ไร้เดียงสาเบย์เซนทรอยด์ที่ใกล้ที่สุด ฯลฯ เรายังสามารถรวมการคำนวณนอกโซ่กับการคำนวณบนห่วงโซ่ในไม่กี่วิธีเช่น:

• การเข้ารหัสนอกโซ่เป็นตัวแทนมิติที่สูงขึ้นและมีเลเยอร์สุดท้ายของแบบจำลองที่ปรับแต่งบนห่วงโซ่
• การใช้การคำนวณหลายรูปแบบที่ปลอดภัยหรือ
• การใช้ API ภายนอกหรือตามที่เรียกว่าพื้นที่ blockchain, Oracles, เพื่อฝึกอบรมและเรียกใช้โมเดล

นอกจากนี้เรายังสามารถใช้อัลกอริทึมที่ไม่ต้องการให้มีการอัปเดตพารามิเตอร์ทั้งหมด (เช่น Perceptron) เราหวังว่าจะสร้างแรงบันดาลใจให้การวิจัยเพิ่มเติมในวิธีที่มีประสิทธิภาพในการปรับปรุงโมเดลที่ซับซ้อนมากขึ้น

ข้อเสนอเหล่านั้นบางส่วนไม่ได้อยู่ในจิตวิญญาณที่แท้จริงของระบบนี้ซึ่งเป็นการแบ่งปันแบบจำลองที่เปิดเผยต่อสาธารณะ แต่สำหรับบางแอปพลิเคชันพวกเขาอาจเหมาะสม อย่างน้อยข้อมูลจะถูกแบ่งปันเพื่อให้ผู้อื่นสามารถใช้มันเพื่อฝึกอบรมโมเดลของตัวเอง

ค่าธรรมเนียมการทำธุรกรรมจะสูงเกินไปหรือไม่?

ค่าธรรมเนียมใน Ethereum นั้นต่ำพอสำหรับแบบจำลองที่เรียบง่าย: ไม่กี่เซ็นต์ ณ เดือนกรกฎาคม 2019 โมเดลการเรียนรู้ของเครื่องจักรแบบง่าย ๆ นั้นดีสำหรับแอปพลิเคชันจำนวนมาก ตามที่อธิบายไว้คำตอบก่อนหน้านี้มีวิธีที่จะทำให้การทำธุรกรรมง่ายขึ้น ค่าธรรมเนียมลดลง: Ethereum เปลี่ยนเป็นหลักฐานการถือหุ้น blockchains อื่น ๆ อาจมีค่าต่ำกว่าหรืออาจไม่มีค่าธรรมเนียม

สิ่งที่เกี่ยวกับการจัดเก็บโมเดลนอกโซ่?

การจัดเก็บพารามิเตอร์โมเดลนอกโซ่เช่นการใช้ IPFS เป็นตัวเลือก แต่โซลูชันยอดนิยมจำนวนมากไม่มีการทำมิเรอร์ที่แข็งแกร่งเพื่อให้แน่ใจว่ารุ่นจะยังคงใช้งานได้หากโหนดลดลง หนึ่งในเป้าหมายสำคัญของโครงการนี้คือการแบ่งปันแบบจำลองและปรับปรุงความพร้อมใช้งานวิธีที่ง่ายที่สุดในการทำเช่นนั้นคือการจัดเก็บแบบจำลองและฝึกอบรมในสัญญาที่ชาญฉลาด

เรายินดีที่จะปรับปรุง! หากคุณรู้วิธีแก้ปัญหาที่จะถูกกว่าและแข็งแกร่งกว่าการจัดเก็บโมเดลบน blockchain เช่น Ethereum จากนั้นแจ้งให้เราทราบโดยการยื่นปัญหา!

จะเกิดอะไรขึ้นถ้าฉันแค่สแปมข้อมูลที่ไม่ดี?

สิ่งนี้ขึ้นอยู่กับกลไกแรงจูงใจ (IM) ที่เลือก แต่โดยพื้นฐานแล้วคุณจะสูญเสียเงินจำนวนมาก คนอื่นจะสังเกตเห็นว่าแบบจำลองนั้นทำงานได้ไม่ดีหรือไม่ทำงานอย่างที่คาดไว้แล้วหยุดการมีส่วนร่วม ขึ้นอยู่กับ IM เช่นในการฝากเงินคืนและรับ: การประเมินตนเองอื่น ๆ ที่ส่งข้อมูล "ดี" แล้วจะรับเงินฝากของคุณโดยไม่ส่งข้อมูลเพิ่มเติม

นอกจากนี้ผู้คนสามารถแก้ไขข้อมูลของคุณโดยอัตโนมัติโดยใช้เทคนิคจากการเรียนรู้ที่ไม่ได้รับการดูแลเช่นการจัดกลุ่ม จากนั้นพวกเขาสามารถใช้ข้อมูลออฟไลน์สำหรับโมเดลส่วนตัวของตนเองหรือแม้แต่ปรับใช้ระบบคอลเลกชันใหม่โดยใช้โมเดลนั้น

ถ้าไม่มีใครให้ข้อมูลที่ไม่ดีไม่มีใครสามารถทำกำไรได้

เยี่ยมมาก! ระบบนี้จะทำงานเป็นแหล่งข้อมูลและรุ่นที่มีคุณภาพ ผู้คนจะมีส่วนร่วมข้อมูลเพื่อช่วยปรับปรุงรูปแบบการเรียนรู้ของเครื่องที่ใช้ในชีวิตประจำวัน

กำไรขึ้นอยู่กับกลไกแรงจูงใจ (IM) ใช่ในการฝากเงินคืนและรับ: การประเมินตนเองผู้มีส่วนร่วมจะไม่ทำกำไรและควรจะสามารถเรียกร้องเงินฝากคืนของตนเองได้ ในกลไกการทำนายตลาดผู้มีส่วนร่วมยังสามารถได้รับรางวัลจากผู้ให้บริการดั้งเดิมของชุดการรับรางวัลและชุดทดสอบ

เรียนรู้เพิ่มเติม

เอกสาร

รายละเอียดเพิ่มเติมสามารถพบได้ในบทความเริ่มต้นของเราการกระจายอำนาจและการทำงานร่วมกัน AI บน blockchain ซึ่งอธิบายถึงกรอบการทำงานที่ได้รับการยอมรับจาก blockchain-2019, การประชุมนานาชาติ IEEE บน blockchain

การวิเคราะห์แบบจำลองการเรียนรู้ของเครื่องจักรหลายแบบด้วยกลไกการประเมินตนเองสามารถพบได้ในบทความที่สองของเราการวิเคราะห์แบบจำลองสำหรับ AI การกระจายอำนาจและการทำงานร่วมกันบน blockchain ซึ่งได้รับการยอมรับในการประชุมนานาชาติในปี 2020 เกี่ยวกับ blockchain

การบริจาค

โครงการนี้ยินดีต้อนรับการมีส่วนร่วมและข้อเสนอแนะ การมีส่วนร่วมส่วนใหญ่กำหนดให้คุณต้องยอมรับข้อตกลงใบอนุญาตผู้มีส่วนร่วม (CLA) ประกาศว่าคุณมีสิทธิ์และทำจริงให้สิทธิ์ในการใช้เงินสมทบของคุณ สำหรับรายละเอียดเยี่ยมชม https://cla.microsoft.com

เมื่อคุณส่งคำขอดึง CLA-bot จะพิจารณาโดยอัตโนมัติว่าคุณจำเป็นต้องจัดเตรียม CLA และตกแต่ง PR อย่างเหมาะสม (เช่นฉลาก, ความคิดเห็น) เพียงทำตามคำแนะนำที่จัดทำโดยบอท คุณจะต้องทำสิ่งนี้เพียงครั้งเดียวใน repos ทั้งหมดโดยใช้ CLA ของเรา

โครงการนี้ได้นำรหัสการดำเนินงานของ Microsoft โอเพ่นซอร์สมาใช้ สำหรับข้อมูลเพิ่มเติมโปรดดูจรรยาบรรณคำถามที่พบบ่อยหรือติดต่อ [email protected] พร้อมคำถามหรือความคิดเห็นเพิ่มเติมใด ๆ