AI 的版权、来源和血统:利用区块链
提出一种通过区块链和智能合约实现的数据中心联邦学习架构,其中包含一个虚拟的公共市场,提供高质量的数据以供训练,通过激励机制提高数据质量和完整性,该架构有助于提高训练数据集的增长速度和模型准确性。
Jun, 2022
提出了一种基于区块链的可靠人工智能网络 (BRAIN),旨在确保大型模型的可靠推理和培训,通过独特的二阶段交易机制实现了高吞吐量的推理,有效地解决了基于区块链的解决方案对大规模模型的慢速推理和低效的训练验证的问题。
May, 2023
基于区块链的市场 ——“PredictChain”,用于解决有限访问、预测机器学习模型和数据分享方面的挑战。通过该市场,用户可以上传数据集来训练机器学习模型,请求对先前上传的数据集进行模型训练或查询训练好的模型,并由区块链网络中的节点提供计算资源以便操作这些模型,以满足不同特点、如成本、速度、简单性、性能和成本效益等的原型机器学习模型需求。这种去中心化的方法赋予用户开发改进模型的能力,促进数据共享,并减少对集中式云提供商的依赖。
Jul, 2023
生成人工智能已经成为解决区块链技术关键挑战的有希望的解决方案。本论文介绍了生成人工智能技术,概述了它们的应用,并讨论了将生成人工智能纳入区块链的现有解决方案。此外,案例研究表明生成扩散模型可以优化区块链网络性能指标。实验结果清楚地显示,与传统人工智能方法相比,所提出的生成扩散模型方法可以更快地收敛、获得更高的奖励,并显著提高区块链网络的吞吐量和延迟。最后,本文提出了生成人工智能在区块链应用中的未来研究方向。
Jan, 2024
该研究论文提出了一个综合框架,结合了区块链、智能合约和星际文件系统,通过在联邦学习中整合数据信任,以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为,实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性;论文还介绍了一种分散化的联邦学习平台,成功地使用区块链技术在 MNIST 数据集上训练了一个 CNN 模型,这个平台使多个工作器能够同时训练模型,同时保护数据的隐私和安全性,分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作,该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。
Jul, 2023
本文提出了一种将增量学习矢量量化算法(XuILVQ)与以太坊区块链技术结合,以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能,展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。
Nov, 2023
通过使用区块链技术存储数据并利用智能合约自动化机器学习流程,提出了一种可信机器学习系统的统一分析框架,并在其中构建了三个核心机器学习算法的实现,包括服务器层实现、流媒体层实现和智能合约实现。此外,该研究还提出了利用特殊的二进制数据格式在设备边缘部署的流媒体层上运行机器学习模型的新方法和一种可增强样本的综合数据生成方法,可以有效解决部分应用程序所需的训练数据量不足的问题。
Aug, 2019
利用区块链技术赋能大型语言模型以构建可信赖的人工智能,主要包括可靠的学习语料库、安全的训练过程和可识别的生成内容,同时探讨了在通信网络领域的潜在应用和未来挑战。
Oct, 2023