PaddleDTX 是一个基于分布式存储的分布式机器学习技术解决方案。可以解决海量私有数据需要的安全存储和交换难题,可恶意帮助各方突破数据孤岛,实现数据价值最大化。
PaddleDTX的计算层是一个由三种节点组成的网络:Requester、Executor和DataOwner。训练样本和预测数据集存储在由 DataOwner 和Storage节点组成的去中心化存储网络中。这种去中心化的存储网络和计算层由底层区块链网络支持。
金色晚报 | 2月24晚间重要动态一览:12:00-21:30关键词:欧洲央行、瑞士私人银行、千禧一代、CoinShares
1. 欧洲央行重申数字欧元不受私人稳定币法规约束
2. 伦敦证交所前负责人:英国应尽快接受加密货币
3. 瑞士私人银行Bordier&CieSCmA推出加密货币交易
4. 摩根溪创始人:千禧一代将为加密市场带来万亿美元的新资本
5. Bitfinex将于2月25日17:00开放SOL交易
6. CoinShares计划在瑞士证券交易所上市以太坊产品
7. 当前BTC全网合约持仓总量73.12亿美元 24小时减少0.49亿美元
8. 印度央行正积极投入并欲推出央行数字货币
9. 数据:比特币期货大额清算引发1000亿美元的恐慌抛售
10. ETH挖矿收益创新高 23日单日区块奖励总和超7000万美元[2021/2/24 17:49:12]
Requester 是有预测需求的一方,Executor 是 DataOwner 授权获得样本数据访问许可的一方,用于可能的模型训练和结果预测。多个 Executor 节点组成一个 SMPC(安全多方计算)网络。Requester 节点将任务发布到区块链网络,Executor 节点授权后执行任务。Executor节点通过DataOwner获取样本数据,后者为数据的信任背书。
金色热搜榜:MXC居于榜首:根据金色财经排行榜数据显示,过去24小时内,MXC搜索量高居榜首。具体前五名单如下:MXC、ONT、MANA、ANT、ABT。[2020/10/22]
SMPC 网络是支持并行运行的多个分布式学习过程的框架。未来将支持垂直联邦学习和水平联邦学习算法。
一个DataOwner节点处理自己的私有数据,在这个过程中使用了加密、分段和复制相关的算法,最后将加密的分片分发到多个Storage节点。Storage 节点通过回答 DataOwner 产生的挑战来证明它诚实地持有数据片段。通过这些机制,可以在不侵犯任何数据隐私的情况下安全地维护存储资源。
金色晨讯 | 怀俄明州通过认定加密货币为货币的法案 以太坊开发者决定推迟ProgPow升级:1.怀俄明州通过认定加密货币为货币的法案。
2.ADA首席执行官:ADA不受POS v3数字货币漏洞影响。
3.以太坊开发者决定推迟ProgPow升级。
4.Grin全职开发者完成本轮筹款计划既定目标。
5.毕马威:加密资产具有颠覆性潜力 但必须机构化。
6.马来西亚证券委员会修订其“认可市场指南” 引入加密货币交易平台法规。
7.雄安发布《垃圾处理过渡设施项目招标公告》 用区块链进行项目资金管理。
8.马来西亚数字资产交易市场将与股权众筹(ECF)、P2P融资合并。
9.刘强东新年公开信:通过区块链等科技提升用户体验和升级商业模式。[2019/2/2]
训练任务和预测任务将通过区块链网络广播到 Executor 节点。然后所涉及的 Executor 节点将执行这些任务。DataOwner节点和Storage节点在监控文件和节点健康状态时,以及副本持有证明的challenge-answer-verify过程中,通过区块链网络交换信息。
金色晨讯|币市普跌再探底 年内多数加密对冲基金下跌50%:1.比特币今日早间跌破6300美元带动主流币普遍下跌。
2.挪威税务局要求申报采矿或数币资产收入。
3.上海证券交易所和中国保险资产管理协会将通过区块链改善保险业。
4.德勤发布报告称84%的高管对采用区块链技术表示乐观。
5.报告显示大多数加密对冲基金自2018年以来至少下跌了50%。
6.Tether8月份增发价值4.15亿美元的Token,市值排名至第八。
7.BHC生态系统的参与者计划于两周内的9月1日进行网络压力测试。
8.俄罗斯远东地区的阿穆尔州发行了100万个阿穆尔币(Amurcoins)。
9.Cryptokitties加密猫用户数量已从14194的历史最高点下降了96%。[2018/8/21]
目前,XuperChain 是 PaddleDTX 支持的唯一区块链框架。
PaddleDTX 的开源版本支持垂直联邦学习(VFL)算法,包括两方线性回归、两方逻辑回归和三方 DNN(深度神经网络)。DNN的实现依赖于PaddleFL框架,PaddleFL 提供的所有神经网络模型都可以在 PaddleDTX 中使用。未来更多算法会开源,包括多方 VFL 和多方 HFL(水平联邦学习)算法。
训练和预测步骤如下所示:
样品准备
FL 任务需要指定将用于计算或预测的示例文件,这些文件存储在去中心化存储系统(XuperDB)中。在执行任务之前,执行者(通常是数据所有者)需要从 XuperDB 中获取自己的示例文件。
样品对齐
VFL 训练和预测任务都需要样本对齐过程。即使用所有参与者的 ID 列表查找样本交叉点。训练和预测是在相交的样本上进行的。该项目实施了 PSI(Private Set Intersection)来进行样本对齐,而不会泄露任何参与者的 ID。
训练过程
模型训练是一个迭代过程,它依赖于两个奇偶校验样本的协同计算。参与者需要在许多训练时期交换中间参数,以便为每一方获得适当的局部模型。
为确保每个参与者数据的机密性,Paillier 密码系统用于参数加密和解密。Paillier 是一种加法同态算法,它使我们能够直接对密文进行加法或标量乘法。
预测过程
预测任务需要模型,因此需要在预测任务开始前完成相关的训练任务。模型单独存储在参与者的本地存储中。参与者使用自己的模型计算局部预测结果,然后收集所有部分预测结果以推导出最终结果。
对于线性回归,可以在收集所有部分结果后执行去标准化过程。这个过程只有有标签的一方才能完成。所以所有的部分结果都会被发送给有标签的一方,它会推导出最终结果并将其作为文件存储在 XuperDB 中供请求者使用。
郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。