論文の概要: Training Massive Deep Neural Networks in a Smart Contract: A New Hope
- arxiv url: http://arxiv.org/abs/2106.14763v1
- Date: Mon, 28 Jun 2021 14:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:56:26.037350
- Title: Training Massive Deep Neural Networks in a Smart Contract: A New Hope
- Title（参考訳）: スマートコントラクトで大量のディープニューラルネットワークをトレーニングする - 新しい希望
- Authors: Yin Yang
- Abstract要約: ディープニューラルネットワーク(DNN)は、DeFiやNFTトレーディングといったブロックチェーンアプリケーションで非常に有用である。
本稿では,A New Hope (ANH) と呼ばれる新しいプラットフォーム設計を提案する。
i) 計算集約的なスマートコントラクトトランザクションは、結果を必要とするノード、あるいは特定のサービスプロバイダによってのみ実行される、(ii) 非決定論的スマートコントラクトトランザクションは、不確実な結果をもたらす、という考え方です。
- 参考スコア（独自算出の注目度）: 5.0737599874451105
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep neural networks (DNNs) could be very useful in blockchain applications
such as DeFi and NFT trading. However, training / running large-scale DNNs as
part of a smart contract is infeasible on today's blockchain platforms, due to
two fundamental design issues of these platforms. First, blockchains nowadays
typically require that each node maintain the complete world state at any time,
meaning that the node must execute all transactions in every block. This is
prohibitively expensive for computationally intensive smart contracts involving
DNNs. Second, existing blockchain platforms expect smart contract transactions
to have deterministic, reproducible results and effects. In contrast, DNNs are
usually trained / run lock-free on massively parallel computing devices such as
GPUs, TPUs and / or computing clusters, which often do not yield deterministic
results.
This paper proposes novel platform designs, collectively called A New Hope
(ANH), that address the above issues. The main ideas are (i)
computing-intensive smart contract transactions are only executed by nodes who
need their results, or by specialized serviced providers, and (ii) a
non-deterministic smart contract transaction leads to uncertain results, which
can still be validated, though at a relatively high cost; specifically for
DNNs, the validation cost can often be reduced by verifying properties of the
results instead of their exact values. In addition, we discuss various
implications of ANH, including its effects on token fungibility, sharding,
private transactions, and the fundamental meaning of a smart contract.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、DeFiやNFTトレーディングといったブロックチェーンアプリケーションで非常に有用である。
しかしながら、スマートコントラクトの一部として大規模なDNNをトレーニング/実行することは、今日のブロックチェーンプラットフォームでは不可能である。
第一に、ブロックチェーンは一般的に、各ノードがいつでも完全な世界状態を維持することを必要とし、つまりノードは各ブロックですべてのトランザクションを実行する必要がある。
これは、DNNを含む計算集約的なスマートコントラクトにとって、極めて高価である。
第二に、既存のブロックチェーンプラットフォームは、スマートコントラクトトランザクションが決定論的で再現可能な結果と効果を持つことを期待している。
対照的に、DNNは通常、GPU、TPU、/またはコンピューティングクラスタなどの大規模並列コンピューティングデバイス上で、ロックフリーで訓練され、実行され、決定論的結果が得られない。
本稿では,これらの課題に対処する新しいプラットフォーム設計,すなわちA New Hope (ANH)を提案する。
主なアイデアは、 (i) 計算集約型スマートコントラクトトランザクションは、結果を必要とするノードまたは特別なサービスプロバイダによってのみ実行される。 (ii) 非決定論的スマートコントラクトトランザクションは、比較的高いコストで検証できるが、不確定な結果をもたらす。
さらに,トークンの使いやすさ,シャーディング,プライベートトランザクション,スマートコントラクトの基本的な意味など,ANHのさまざまな意味について論じる。
関連論文リスト
- Semantic Interoperability on Blockchain by Generating Smart Contracts Based on Knowledge Graphs [0.820828081284034]
分散環境では、送信されたデータはセマンティック相互運用性の標準を使って構成されます。
本稿では,高レベルな意味知識グラフを用いたスマートコントラクト論理の符号化を提案する。
セマンティックなKGに基づいてスマートコントラクトコードを自動的に生成できることを示す。
論文 参考訳（メタデータ） (2024-09-11T13:46:24Z) - On the Computational Complexity and Formal Hierarchy of Second Order
Recurrent Neural Networks [59.85314067235965]
2次次リカレントネットワーク(RNN)の理論基盤を拡大する(2次RNN)
有界時間でチューリング完備な RNN のクラスが存在することを証明している。
また、記憶のない2ドルのRNNは、バニラRNNのような現代のモデルよりも優れており、正規文法の認識において繰り返し単位をゲートしていることを示す。
論文 参考訳（メタデータ） (2023-09-26T06:06:47Z) - Graph Neural Networks Enhanced Smart Contract Vulnerability Detection of
Educational Blockchain [4.239144309557045]
本稿では,教育ブロックチェーンにおけるスマートコントラクトに対するグラフニューラルネットワークによる脆弱性検出を提案する。
実験の結果,提案手法はスマートコントラクトの脆弱性検出に有効であることがわかった。
論文 参考訳（メタデータ） (2023-03-08T09:58:58Z) - Efficient quantum non-fungible tokens for blockchain [0.0]
非偽造トークン(NFT)は、ブロックチェーン技術の最高の特性を統合して、ユニークでボナフィドトークンを提供する。
現在の古典的NFTは、鉱業の消費力と安全保障の欠如に関する高コストに悩まされている。
そこで本稿では,NFTを表す量子状態がブロックチェーン上に実装され,物理的に所有者に渡されるのではなく,量子不能なトークンを作成するための新しいプロトコルを提案する。
論文 参考訳（メタデータ） (2022-09-02T13:36:55Z) - Blockchain Framework for Artificial Intelligence Computation [1.8148198154149393]
ブロック検証とコンセンサス機構を深層強化学習プロセスとして設計する。
当社の手法は,次世代のパブリックブロックチェーンネットワークの設計に使用されている。
論文 参考訳（メタデータ） (2022-02-23T01:44:27Z) - Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。
我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。
逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
論文 参考訳（メタデータ） (2021-11-16T16:14:44Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳（メタデータ） (2021-03-23T15:04:44Z) - Quantum Multi-Solution Bernoulli Search with Applications to Bitcoin's
Post-Quantum Security [67.06003361150228]
作業の証明(英: proof of work、PoW)は、当事者が計算タスクの解決にいくらかの労力を費やしたことを他人に納得させることができる重要な暗号構造である。
本研究では、量子戦略に対してそのようなPoWの連鎖を見つけることの難しさについて検討する。
我々は、PoWs問題の連鎖が、マルチソリューションBernoulliサーチと呼ばれる問題に還元されることを証明し、量子クエリの複雑さを確立する。
論文 参考訳（メタデータ） (2020-12-30T18:03:56Z) - Proof of Learning (PoLe): Empowering Machine Learning with Consensus
Building on Blockchains [7.854034211489588]
ニューラルネットワーク(NN)の最適化に向けて,新たなコンセンサスメカニズムであるPoLe(Proof of Learning)を提案する。
我々のメカニズムでは、トレーニング/テストデータはブロックチェーンネットワーク全体(BCN)にリリースされ、コンセンサスノードはデータ上でNNモデルをトレーニングします。
我々はPoLeがより安定したブロック生成率を達成でき、それによってより効率的なトランザクション処理が実現できることを示す。
論文 参考訳（メタデータ） (2020-07-29T22:53:43Z) - Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。
DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。
コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文 参考訳（メタデータ） (2020-06-30T14:56:05Z) - Optimization and Generalization Analysis of Transduction through
Gradient Boosting and Application to Multi-scale Graph Neural Networks [60.22494363676747]
現在のグラフニューラルネットワーク(GNN)は、オーバースムーシング(over-smoothing)と呼ばれる問題のため、自分自身を深くするのは難しいことが知られている。
マルチスケールGNNは、オーバースムーシング問題を緩和するための有望なアプローチである。
マルチスケールGNNを含むトランスダクティブ学習アルゴリズムの最適化と一般化を保証する。
論文 参考訳（メタデータ） (2020-06-15T17:06:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。