Feb, 2019

能量回收区块链与深度学习证明

PDF
TL;DR本文提出了一种全新的区块链设计，通过 Proof-of-Deep-Learning（PoDL）机制充分回收了区块链所需的能源，用于深度学习计算，以减少能源浪费问题，同时与绝大多数基于哈希函数的 PoW 机制的加密货币兼容，可行性已经得到基准测试和模拟的证明。
blockchainproof-of-workenergy recyclingdeep learningcryptocurrencies
发现论文，激发创造
  • 深度学习的证明：方法、挑战和未来方向

    利用计算能力进行区块链的安全性和完整性维护的一种机制是深度学习证明 (PoDL)，本文调查了 PoDL 的各种方法、算法类型、优缺点及其潜在应用，并讨论了实施 PoDL 的挑战和未来研究方向。

    Aug, 2023

  • 联邦学习的证明：一种新型的能量循环共识算法

    本研究提出基于能量回收的共识算法证明，名为联合学习证明，将传统的工作量证明中浪费的能量重新用于联合学习，采用反向对赌数据交易机制和隐私保护模型验证机制保证联合学习过程中的数据隐私保护，并在模拟和真实数据中进行广泛的仿真验证，证明了该算法的高效和有效性。

    Dec, 2019

  • 带有奖励安全性的学习验证

    利用实用的工作证明（PoUW）机制的提案，解决了传统 PoW 和 PoS 机制所面临的能源消耗、安全性和经济性问题，在区块链系统中整合机器学习训练以实现环境友好的解决方案，并提出了一种全新的人工智能时代下的完全去中心化计算能力市场。

    Apr, 2024

  • 将 AI 学习与区块链挖掘连接在 6G 系统中

    本文提出了一种 E-PoW 共识，它能将 AI 训练中广泛存在的矩阵计算整合到区块挖掘中，以实现共用计算资源，从而提高 6G 系统中并行 AI 训练的效能并节约高达 80% 的计算能力。

    Apr, 2021

  • 训练证明（PoT）：利用加密挖矿能力进行分布式 AI 训练

    该研究提出了一种结合人工智能和区块链技术的证明机制，名为 Proof-of-Training（POt），实现了全球状态同步，评估了去中心化训练网络，具有很高的性能潜力。

    Jul, 2023

  • 区块链人工智能计算框架

    使用强化学习方法，将矿机运算量更换为训练神经网络的计算，从而降低了公共区块链网络的能耗，同时促进数据共享和解决普遍问题的 AI 模型设计。

    Feb, 2022

  • 基于联邦学习的自由合作伙伴选择子链的验证

    我们在这篇论文中提出了一种名为 Proof-of-Federated-Learning-Subchain (PoFLSC) 的新型共识机制，该机制利用子链记录了训练、挑战和审计活动，并强调了合作伙伴选择中宝贵数据集的重要性。通过模拟实验，我们证明了 PoFLSC 的有效性，并展示了当子链池大小有限时，根据 Shapley Value (SV) 的高低选择矿工将获得更好的机会。在进行的实验中，PoFLSC 共识机制支持子链管理者了解预约优先级和贡献者的核心分区，以建立和维护具有竞争力的子链。

    Jul, 2023

  • 基于区块链技术的电力能源管理的联邦学习模型

    电力短缺和负荷限制是发展中国家面临的主要问题，主要原因是能源部门管理不善和使用非可再生能源。改善能源管理并增加可再生能源的使用对解决能源危机具有重要意义。本文提出了基于区块链的安全分布式账本技术，用于保证生产者和消费者之间数据交易的透明性、可追溯性和安全性，并提出了用于预测消费者和生产者能源需求的联邦学习模型。实验结果显示，可再生能源已经产生了与其他非可再生能源资源相媲美的更好的结果。

    Jul, 2023

  • 当群集学习遇见能量系列数据：基于区块链的去中心化协作学习设计

    采用基于区块链的分布式网络的群智学习方案可以解决能源领域数据敏感性引发的安全和隐私问题，提升模型性能、增强数据安全性和隐私保护。

    Jun, 2024

  • 无线 MEC 网络中动态资源分配的安全深度强化学习

    本文提出了一个基于区块链安全的深度强化学习优化框架，用于分散的无线移动边缘计算网络中的数据管理和资源分配。我们设计了一种低延迟的基于声誉的股权证明共识协议，用于选择高可靠的区块链启用的基站，以安全存储移动边缘计算用户请求并防止数据篡改攻击。我们将移动边缘计算资源分配优化建模为一个约束的马尔可夫决策过程，以平衡最小处理延迟和拒绝服务概率。我们使用移动边缘计算汇总特征作为深度强化学习的输入，显著减少了剩余服务处理时间的高维输入。我们的设计的约束深度强化学习有效地获得适应动态拒绝服务要求的最佳资源分配。我们提供了大量的仿真结果和分析来验证我们的区块链安全的深度强化学习框架比基准区块链共识协议和移动边缘计算资源分配算法更具有更高的安全性、可靠性和资源利用率。

    Dec, 2023