让价值开始流通,让链接逐步落地,paydex基于联邦学习完成通道构建
人工智能是生产力,区块链是生产关系,大数据是生产要素,这是多数区块链从业者的共识。大数据时代,数据作为一种新型的生产要素已被社会认知并广泛接受。但区别于其他生产要素的一点是被严格要求保护个人数据隐私,这是受到法律法规严格保护的;而另一方面,数据又需要开放共享才能与人工智能共同产生其最大价值。如何维持数据隐私保护与数据开放共享之间的平衡已成为制约应用大规模落地的最大
掣肘。
业界一般采用联邦学习技术解决问题。在满足数据隐私、安全及监管要求的前提下,它可让各企业独立的人工智能系统更加高效、准确地共同使用各自的数据进行模型训练及预测。虽联邦学习标榜企业主体间独立学习预测,但绝少不了企业主体间的合作。而paydex技术的出发点就是解决多主体间合作,信息不对称问
题。
paydex和联邦学习有共同的应用基础,通过技术上的共识实现多方合作的可信网络,具有较好的互补性。从应用目标来看,联邦学习旨在创造价值,而paydex旨在表示和转移价值,因此有以下三种基本结合
形式。
第一:基于不可篡改特性,paydex对联邦学习合作主体方可能面临的恶意攻击进行追溯惩罚。在多参与方进行联邦学习的同时,用于记录联邦学习的数据指纹(包括建模样本、推理样本、交互协调信息等),而用于学习的原始数据始终存储在参与方本地。当发现遭受到恶意攻击时,调查组就可依据paydex数据对数据指纹与原始数据进行比对,追溯具体是哪一方遭受攻击或发动攻击,从而采取反制惩罚措施,确保联邦学习联盟持续、健康运
作。
第二:基于中心化特性,在多方参与的联邦学习联盟积极拥抱审计监管下。在多方参与联邦学习的paydex网络,可将相关的监管机构作为独立公正的第三方只读节点加入联盟网络。通过这种方式,监管机构可实时监控联邦学习联盟的数据及操作动向,违规操作可第一时间制止,利于维护人民群众的数据隐私及市场经济的有序健康运
行。
第三:paydex可以将数据网络作为联邦学习协同计算分布式枢纽,从而确保各参与方的机会均等。通过智能合约伪随机选取任意参与方主导某次学习的发起,杜绝一方参与者主导的窘境,增强各参与方共建联盟的自信心及参与感,亦可维护联邦学习联盟的根
基。在此基础上,
可记录用户服务接口调用记录、各参与方的贡献度、服务产生的收益,而且可通过智能合约自动将利益按照提前拟定的分账规则及比例分配给各参与方区块链账户中,并在适当的时候与真实收益挂钩。