TAO:金色觀察｜PaddleDTX：分布式機器學習解決方案

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。

去中心化交易平臺Clipper將于8月底發行代幣SAIL，并向社區發布空投獎勵:8月10日消息，去中心化交易平臺Clipper社區實體組織AdmiralDAO將發行SAIL治理代幣，該代幣計劃于2023年8月底上線，并將通過空投的形式獎勵活躍的社區成員，包括Adventure參與者和Discord貢獻者。持有SAIL代幣的活躍社區成員將有權參與AdmiralDAO的治理。[2023/8/10 16:18:02]

多方計算網絡

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。

Uniswap向11月30日至12月14日在Uniswap購買過NFT的用戶空投0.01枚ETH:金色財經報道，Uniswap發布空投公告，向2022年11月30日至12月14日在Uniswap購買過NFT的用戶空投0.01枚ETH，以抵消用戶首次購買NFT所花費的Gas費。[2023/1/18 11:18:43]

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。

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。

嘉信理財、Citadel Securities和富達等公司計劃啟動加密交易所EDX Markets:9月13日消息，金融巨頭嘉信理財（Charles Schwab）、Citadel Securities、Fidelity Digital Asset、Paradigm、Sequoia Capital 和 Virtu Financial 計劃啟動加密貨幣交易所 EDX Markets。EDX Markets 將由首席執行官 Jamil Nazarali、首席技術官 Tony Acu?a-Rohter 和總法律顧問 David Forman 領導。[2022/9/13 13:27:20]

區塊鏈網絡

加密捐贈平臺QuestBook完成830萬美元 A 輪融資，Lemniscap領投:5月18日消息，加密捐贈平臺 QuestBook 完成 830 萬美元 A 輪融資，由 Lemniscap 領投，Coinbase Ventures、Alameda Research、Dragonfly、Hashed、Polygon、Balaji Srinivasan、Solana 的 Raj Gokal、Tribe Capital 的 Arjun Sethi 和 GitHub 的 Maneesh Sharma 等參投。

據悉，QuestBook 是一個連接項目方和開發者的捐贈平臺，允許項目方向開發人員提供贈款，并以高效和透明的方式投資。此外，QuestBook 還致力于幫助公司在全球范圍內創建小型基金，拓寬開發人員尋找工作機會的方式。（雅虎）[2022/5/18 3:26:04]

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。

來源：金色財經

Tags：TORECUATATAOCindicatorBarbecueSwapAutomataMTAO價格

PEPE