TOR:金色观察｜PaddleDTX：分布式机器学习解决方案

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。

NFT项目Open Foodie完成50万美元种子轮融资:6月21日消息，NFT项目Open Foodie宣布由HashGlobal，StarWin，Bitrise Capital 和Teraland投资的50万美元种子轮融资 。Open Foodie是一家以创意为核心的Web3卡通食品制造实验室，志在结合Web 2.0 和 Web 3.0 技术来推动食品行业的未来发展。[2023/6/21 21:51:39]

多方计算网络

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。

加拿大监管机构：银行和保险公司的加密敞口不得超过一级资本的1%:8月19日消息，根据加拿大金融监管机构的临时新规，加拿大银行和保险公司必须将其对加密资产的敞口限制在固定比例以下。具体而言，如果金融公司对2类加密资产的总敞口（根据监管机构的定义，将包括大多数加密货币）超过其一级资本的1%，则需要通知金融机构监督办公室。该规则将于2023年第二季度生效。

此前消息，欧盟立法者正寻求限制银行的比特币持有量。（彭博社）[2022/8/19 12:35:13]

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。

欧易支持以太坊合并计划，提醒用户注意市场波动风险:据官方公告显示，欧易将支持以太坊合并计划，在合并前及合并过程中不会暂停 ETH 任何交易。

另外，欧易Web3钱包将支持更全面的多链生态，积极关注并已做好支持分叉链的准备，后续将根据社区接受度和用户需求评估Web3钱包支持分叉链上线的时间。

欧易官方表示，如以太坊合并升级过程中，产生分叉链和新的分叉代币，将评估并支持分叉代币的空投发放与提现。

需要注意的是，分叉代币需通过欧易的正常上币审核流程，只有通过审核才会开放交易，详情请关注官方最新公告。同时，欧易官方提醒用户，以太坊合并临近，市场可能会有较大价格波动，请提前做好仓位管理和风险控制。[2022/8/11 12:19:32]

去中心化存储网络

DeFi协议Injective宣布Cosm Wasm主网正式上线:7月6日消息，DeFi协议Injective宣布Injective CosmWasm主网升级正式上线，智能合约现在可以通过InjectiveCanonical1006-rc1(或InjectiveCosmWasm主网升级)部署至该网络。本次升级还包括二元期权支持、回扣费用、通过IBCV3支持跨链账户以及其他一些重大改进。

CosmWasm将支持任何开发人员利用Injective提供的现有核心模块在Injective上构建多样化的应用程序。一个核心示例是Injective的订单簿模块，它允许构建者利用唯一开箱即用的去中心化订单簿来创建dApp，例如交易所、预测市场、借贷协议等。[2022/7/6 1:54:01]

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

标签：TORECTINJCTISTORM价格Ape connectSHINJA价格PREDICTION

火必交易所热门资讯