Apr, 2024

带有奖励安全性的学习验证

PDF
TL;DR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。
blockchain systemsproof-of-useful-workproof of learningincentive-securitydecentralized computing power
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

  • 能量回收区块链与深度学习证明

    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。

    Feb, 2019

  • 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

  • 关于正式（非）证明学习证明中鲁棒性的根本限制

    本文对 Proof-of-learning（一种基于机器学习的训练检查点建立验证机制）进行了形式化分析，发现其存在容易被攻击者欺骗的漏洞，并提出在保护 Proof-of-learning 的真实性方面需要更多地借助密码学的方法。

    Aug, 2022

  • 质量证明：区块链上无需成本的无信任生成型 AI 模型推理范式

    这篇论文介绍了一种新的推理范式，称为 “POQ（证明质量）”，用于在区块链架构上部署任意大规模的生成模型，通过轻量级 BERT 模型进行质量评估，并设计和实现了 PQML 协议，该协议可用于基于开源模型的实际 NLP 生成模型推理。

    May, 2024

  • 基于策略的人工智能辅助 PoW 框架

    本篇论文提出了一种基于人工智能的工作量证明框架，利用 IP 流量特征控制难度，对不可信连接实行延迟机制，从而减缓了攻击流量的影响。

    Mar, 2022

  • 学习证明：定义与实践

    此研究的目的是实现机器学习中证明训练过程的机制 ——proof-of-learning。作者观察到随机梯度下降算法具有积累秘密信息的性质，并构建了一种自然的证明机制来证明一个实体已经正确地完成了模型参数优化过程，进而保护模型的知识产权。同时，该证明机制也保持了训练过程的可用性，可以在多方争议模型所有权的情况下使用。实验证明，该机制在硬件和软件环境的变化下仍能保持鲁棒性。

    Mar, 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

  • 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

  • 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