金色觀察｜PaddleDTX：分布式機器學習解決方案_區塊鏈

PaddleDTX是一個基于分布式存儲的分布式機器學習技術解決方案。可以解決海量私有數據需要的安全存儲和交換難題，可惡意幫助各方突破數據孤島，實現數據價值最大化。

PaddleDTX的計算層是一個由三種節點組成的網絡：Requester、Executor和DataOwner。訓練樣本和預測數據集存儲在由DataOwner和Storage節點組成的去中心化存儲網絡中。這種去中心化的存儲網絡和計算層由底層區塊鏈網絡支持。

金色晨訊 | 美國等50多個國家將不允許參與7月Gram公開銷售:1.Block.one將與前特朗普國會關系主任合作進行區塊鏈政策游說。

2.巴西央行啟動銀行間ID區塊鏈平臺。

3.John McAfee推出加密貨幣交易平臺McAfee Magic。

4.Decentralized Capital將于未來6個月內向澳大利亞證交所提交比特幣ETF。

5.門羅幣開發者：抵制ASIC的RandomX算法代碼凍結日期預計為7月。

6.全國首個區塊鏈電子票據平臺在浙江省上線。

7.F2Pool創始人神魚：有礦池調用算力對其他礦池采用長期扣塊攻擊。

8.美國、加拿大和日本等50多個國家將不允許參與7月Gram公開銷售。

9.中國人民銀行清算總中心招聘區塊鏈等領域研究人才。[2019/6/13]

多方計算網絡

金色晨訊 ｜全球加密貨幣總市值縮水 委內瑞拉為石油幣立法:1、區塊鏈正高速吸引頂級硅谷科技人才；

2、挪威取消礦商電費補貼政策引發爭議；

3、末日博士：比特幣持有者為受虐狂；

4、委內瑞拉制定法律框架促進石油幣；

5、全球加密貨幣總市值縮水至1500億美元關口；

6、法國中央銀行不支持煙草商店出售比特幣；

7、中國區塊鏈優秀企業近一半在北京；

8、Zaif虛擬貨幣相關業務已轉移至FISCO集團；

9、SBI Ripple Asia和支付聯盟計劃使用區塊鏈技術打擊欺詐。[2018/11/23]

Requester是有預測需求的一方，Executor是DataOwner授權獲得樣本數據訪問許可的一方，用于可能的模型訓練和結果預測。多個Executor節點組成一個SMPC網絡。Requester節點將任務發布到區塊鏈網絡，Executor節點授權后執行任務。Executor節點通過DataOwner獲取樣本數據，后者為數據的信任背書。

金色相對論 | 陳鈺璋：STO核心問題是如何與先行者爭奪優秀項目:本期金色相對論中，高鏈資本創始合伙人陳鈺璋就“STO來襲將如何影響市場”的問題發表看法，陳鈺璋表示，STO給一些小國一個不錯的窗口，不過問題是這些國家需要流量。沒有流量的合法合規也沒有太大用處。

如果區塊鏈是創新，我們就要用創業的思維去理解它、改善它。看待STO的最核心問題是：如何與納斯達克、紅杉、軟銀這些交易所和巨額基金爭奪真正的好項目？這是一個先有雞還是先有蛋的問題：需要有足夠的流動性，才能夠吸引真正的好項目。但是誰來提供從零到一的流動性呢？我能看到的是超級財團，例如軟銀、黑石、GIC這些基金聯合小國家的政府立法，成立國際上第一個不缺錢的穩定STO體系，吸引到最優質的頂級企業入駐，打造成功案例，然后把其他B輪、C輪的S級別企業吸引過去，才能建立良性循環。而新加坡政府如果能夠把GIC和Temasek的流動性注入到STO里，在新加坡成立STO交易所，會改變歷史。[2018/10/12]

SMPC網絡是支持并行運行的多個分布式學習過程的框架。未來將支持垂直聯邦學習和水平聯邦學習算法。

金色相對論 | 何永：區塊鏈可以很好解決AI行業數據售賣隱私問題:在本期金色相對論中，針對區塊鏈如何應用于AI的問題，何永表示，區塊鏈可以很好的解決AI行業數據售賣的隱私問題。現在都是通過私下或者淘寶買數據，數據很容易被AI企業復制，所以擁有隱私數據的公司不敢把數據賣出去，最終也導致現在人工智能行業缺少數據，并且數據很貴。[2018/7/17]

去中心化存儲網絡

一個DataOwner節點處理自己的私有數據，在這個過程中使用了加密、分段和復制相關的算法，最后將加密的分片分發到多個Storage節點。Storage節點通過回答DataOwner產生的挑戰來證明它誠實地持有數據片段。通過這些機制，可以在不侵犯任何數據隱私的情況下安全地維護存儲資源。

區塊鏈網絡

訓練任務和預測任務將通過區塊鏈網絡廣播到Executor節點。然后所涉及的Executor節點將執行這些任務。DataOwner節點和Storage節點在監控文件和節點健康狀態時，以及副本持有證明的challenge-answer-verify過程中，通過區塊鏈網絡交換信息。

目前，XuperChain是PaddleDTX支持的唯一區塊鏈框架。

垂直聯邦學習

PaddleDTX的開源版本支持垂直聯邦學習算法，包括兩方線性回歸、兩方邏輯回歸和三方DNN。DNN的實現依賴于PaddleFL框架，PaddleFL提供的所有神經網絡模型都可以在PaddleDTX中使用。未來更多算法會開源，包括多方VFL和多方HFL算法。

訓練和預測步驟如下所示：

運作原理

樣品準備

FL任務需要指定將用于計算或預測的示例文件，這些文件存儲在去中心化存儲系統中。在執行任務之前，執行者需要從XuperDB中獲取自己的示例文件。

樣品對齊

VFL訓練和預測任務都需要樣本對齊過程。即使用所有參與者的ID列表查找樣本交叉點。訓練和預測是在相交的樣本上進行的。該項目實施了PSI來進行樣本對齊，而不會泄露任何參與者的ID。

訓練過程

模型訓練是一個迭代過程，它依賴于兩個奇偶校驗樣本的協同計算。參與者需要在許多訓練時期交換中間參數，以便為每一方獲得適當的局部模型。

為確保每個參與者數據的機密性，Paillier密碼系統用于參數加密和解密。Paillier是一種加法同態算法，它使我們能夠直接對密文進行加法或標量乘法。

預測過程

預測任務需要模型，因此需要在預測任務開始前完成相關的訓練任務。模型單獨存儲在參與者的本地存儲中。參與者使用自己的模型計算局部預測結果，然后收集所有部分預測結果以推導出最終結果。

對于線性回歸，可以在收集所有部分結果后執行去標準化過程。這個過程只有有標簽的一方才能完成。所以所有的部分結果都會被發送給有標簽的一方，它會推導出最終結果并將其作為文件存儲在XuperDB中供請求者使用。

Tags：區塊鏈STOTORUTO區塊鏈通俗易懂的講解storj幣未來價值fasthorsevictoryAutomata

SOL