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。
阿曼金融监管机构寻求推出虚拟资产法规:金色财经报道，阿曼苏丹国即将推出自己的虚拟资产法规，其金融市场监管机构正在就其拟议的管理加密货币等数字资产的监管框架征求公众意见。阿曼资本市场管理局在7月27日发布的咨询文件中表示，目前正在起草虚拟资产领域的全面制度，其中包括各种业务要求和市场滥用预防。
咨询文件包括26个问题，业界持份者可提出意见。它包括有关虚拟资产服务提供商（VASP）的监管和许可要求、公司治理、风险管理和虚拟资产发行的提案。
它透露，拟议的框架包括实用代币、证券代币、法定支持和资产支持的稳定币，以及属于金融行动特别工作组虚拟资产定义的其他数字货币。然而，在等待公众反馈之前，隐私币的发行可能会被禁止。[2023/8/4 16:19:24]
多方计算网络
某巨鲸地址于“IMX效用提升”公告发布前将150万枚IMX转入Binance:3月21日消息，据0xScope数据显示，某巨鲸地址于今日Immutable X公布“IMX效用提升”的两个小时前将其150万枚IMX转入Binance。据悉，该150万枚IMX最早于10日前从Binance转入链上，均价为0.95美元，若该巨鲸现已卖出，本次现货交易可获利约75万美元。[2023/3/21 13:16:50]
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。
Genesis正在与投行Moelis合作考虑申请第11章破产保护:1月6日消息，Genesis Global Markets正在与投资银行Moelis & Company合作，寻求解决其财务困境的潜在方案，并考虑根据破产法第11章申请破产保护。
公司发言人表示，Genesis正在与其Moelis & Co.的重组顾问密切合作，“以保护客户资产并推动业务发展”
据悉，此前11月，Genesis Global Capital宣布已聘请投资银行Moelis&Company探索包括破产在内的选项，报告称，尚未做出任何最终决定，该公司仍有可能避免申请破产保护。[2023/1/6 10:25:00]
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。
软银领投的NFT梦幻足球游戏Sorare交易总额突破3亿美元:金色财经报道，据cryptoslam最新数据显示，NFT梦幻足球游戏Sorare交易总额已突破3亿美元，创下历史新高，本文撰写时为349,459,800美元，交易总量为2,685,832笔。
Sorare于去年九月以43亿美元的估值完成6.8亿美元B轮融资，领投方为日本投资巨头软银集团，参投方包括Atomico、D1Capital、BessemerVentures、Eurazeo、IVP、Hillhouse、Liontree、Accel、Benchmark、Headline、以及多位球星。[2022/7/6 1:53:38]
去中心化存储网络
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。
区块链网络
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。
目前，XuperChain是PaddleDTX支持的唯一区块链框架。
垂直联邦学习
PaddleDTX的开源版本支持垂直联邦学习算法，包括两方线性回归、两方逻辑回归和三方DNN。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算法。
训练和预测步骤如下所示：
运作原理
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中。在执行任务之前，执行者需要从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。
来源：金色财经
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。