0xDeCA10B

在區塊鏈上共享可更新模型（SUM）

（以前在區塊鏈上分散和協作AI）

演示	模擬	安全

在區塊鏈上共享可更新的模型（SUM）是一個框架，可以主機和培訓公開可用的機器學習模型。理想情況下，使用模型獲得預測是免費的。如下所述，添加數據包括三個步驟的驗證。

1. 激勵力學驗證了添加數據的請求，例如，在某些情況下，需要“股份”或存款。在某些情況下，稍後還可以觸發激勵機制，以向用戶提供付款或虛擬的“業力”點。
2. Datahandler將數據和元數據存儲在區塊鏈上。這樣可以確保所有將來的用途都可以訪問，而不僅限於此智能合約。
3. 根據預定義的培訓算法更新機器學習模型。除了添加數據外，任何人還可以免費查詢該模型以獲取預測。

該框架的基礎可以在我們的博客文章中找到。在這裡可以找到一種激勵機制的演示。可以在最初的論文中找到更多詳細信息，該論文描述了該框架，該框架已被區塊鏈IEEE國際會議區塊鏈接受。

該存儲庫包含：

• 使用以太坊區塊鏈展示了一些概念系統證明。有一個本地可部署的測試區塊鍊和演示儀表板，可與以堅固性書寫的智能合約進行交互。
• 用Python編寫的仿真工具，以快速查看部署時模型和激勵機制如何工作。

常見問題/關注點

智能合約不是僅僅用於簡單代碼嗎？

有很多選擇。我們可以將框架限制在簡單的模型中：感知到人，天真的貝葉斯，最近的質心等。我們還可以以幾種方式將外鏈計算與鏈上計算相結合：

• 編碼外鍊為更高維的表示，只有模型的最終層微調鏈，
• 使用安全的多方計算，或
• 使用外部API，或稱為區塊鏈空間，甲蟲，訓練並運行模型

我們還可以使用不需要所有模型參數更新的算法（例如，PERCEPTRON）。我們希望以有效的方式激發更多的研究，以更新更複雜的模型。

這些建議中的一些不符合該系統的真實精神，而是完全公開共享模型，但對於某些應用，它們可能是合適的。至少數據將共享，以便其他人仍然可以使用它來訓練自己的模型。

交易費用太高嗎？

以太坊的費用足以容納簡單的模型：截至2019年7月，幾美分。簡單的機器學習模型對許多應用都有利。如前所述，有一些方法可以使交易簡單。費用正在減少：以太坊正在切換到股份證明。其他區塊鏈可能有較低或可能沒有費用。

將模型離鏈的模型呢？

在鏈上存儲模型參數，例如使用IPFS，但是許多流行的解決方案都不具有強大的鏡像，以確保如果節點下降，則仍然可以使用該模型。該項目的主要目標之一是共享模型並提高其可用性，現在最簡單的方法是將模型存儲和培訓的智能合約。

我們很高興改善！如果您知道的解決方案比將模型存儲在像以太坊這樣的區塊鏈上更便宜，更健壯，那麼請通過提交問題讓我們知道！

如果我只是垃圾郵件不良數據怎麼辦？

這取決於選擇的激勵機制（IM），但從本質上講，您將損失很多錢。其他人會注意到該模型的性能不佳或無法按預期工作，然後停止為其做出貢獻。根據IM的不同，例如存款，退款和拿走：自我評估，其他已經提交“良好”數據的其他人會很樂意將您的存款拿走而無需提交任何數據。

此外，人們可以使用無監督學習（例如聚類）中的技術輕鬆自動糾正您的數據。然後，他們可以脫機將數據用於自己的私人模型，甚至可以使用該模型部署新的收集系統。

如果沒有人給出不良數據，那麼沒有人可以獲利呢？

那太棒了！該系統將作為質量數據和模型的來源。人們將貢獻數據，以幫助改善他們在日常生活中使用的機器學習模型。

利潤取決於激勵機制（IM）。是的，在存款，退款和拿走：自我評估，貢獻者將無法獲利，應該能夠索取自己的存款。在基於預測市場的機制中，貢獻者仍然可以得到賞金和測試集的原始提供商的獎勵。

了解更多

文件

可以在我們的最初論文（在區塊鏈上分散和協作AI）中找到更多細節，該論文描述了該框架，該框架已被Blockchain-2019（IEEE IEEE國際區塊鏈國際會議）所接受。

可以在我們的第二篇論文中找到對幾種具有自我評估激勵機制的機器學習模型的分析，即對區塊鏈分散和協作AI的模型的分析，該模型被2020年國際區塊鏈國際會議所接受。

貢獻

該項目歡迎貢獻和建議。大多數捐款要求您同意撰寫貢獻者許可協議（CLA），宣布您有權並實際上授予我們使用您的貢獻的權利。有關詳細信息，請訪問https://cla.microsoft.com。

當您提交拉動請求時，CLA機器人將自動確定您是否需要提供CLA並適當裝飾PR（例如，標籤，評論）。只需按照機器人提供的說明即可。您只需要使用我們的CLA在所有存儲庫中進行一次。

該項目採用了Microsoft開源的行為代碼。有關更多信息，請參見《行為守則常見問題守則》或與其他問題或評論聯繫[email protected]。